WeCon: 多目的組合せ最適化問題のための効率的な重み条件付きニューラルソルバー
既存の多目的組合せ最適化問題（MOCOP）向けニューラルソルバーは、重みの注入タイミングや訓練ペアのランダムサンプリングに課題がある。本研究では、エンコーダにゲート残差融合（GRF）、デコーダに残差融合（RF）を導入し、効率的な選好最適化（EPO）を提案する。実験では、最先端のPOCCO-Wと同等の超体積（HV）を達成しつつ、推論時間を40%削減した。
記事インテリジェンス
要点
- エンコーダのGRFとデコーダのRFにより重み条件付き文脈を改善。
- EPOは高品質な解ペアを構築し訓練効率を向上。
- HVでSOTAと同等、推論時間40%削減を実現。
重要な理由
このニュースが重要なのは、エンコーダのGRFとデコーダのRFにより重み条件付き文脈を改善ためです。
技術的影響
モデル選定、推論コスト、プロダクト能力、評価基準に影響する可能性があります。
WeCon: 多目的組合せ最適化問題のための効率的な重み条件付きニューラルソルバー
多目的組合せ最適化問題（MOCOP）は、物流、スケジューリング、資源配分など様々な実世界の応用において重要である。従来の解法では複数の競合する目的を同時に最適化することが困難であり、近年では深層学習ベースのニューラルソルバーが注目を集めている。しかし、既存のニューラルソルバーはMOCOPに対して分解ベースの戦略を採用することが多く、複数の重みベクトルに関連付けられたサブ問題に変換するが、重み注入の方法に問題がある。すなわち、デコード時に一度だけ重みを注入する方法では重み条件付きコンテキストのモデリングが制限され、エンコード時に主に注入する方法ではデコード時に重み信号が希釈される。また、選好最適化手法は訓練用の解ペアをランダムサンプリングに依存して構築するため、情報量の少ないペアが多く生成され、訓練効率が低い。
これらの限界に対処するため、複数の研究機関からなる研究チームは、効率的な重み条件付きニューラルソルバー「WeCon」を提案した。WeConの主な革新はエンコーダとデコーダの設計にある。エンコーダでは、3つのアテンションブロックとゲート残差融合（GRF）ブロックからなる層を設計した。GRFブロックはインスタンス特徴と重みベクトルの調和的な相互作用を促進し、情報豊富な重み条件付きコンテキストを生成する。デコーダでは、プラグアンドプレイの残差融合（RF）ブロックを導入し、重み信号の希釈を軽減する。さらに、効率的選好最適化（EPO）手法を提案し、ランダムサンプリングの代わりに高品質な解ペアを構築することで訓練効果を高めた。
実験は、異なる問題規模と分布パターンを持つ4つのMOCOP変種（多目的巡回セールスマン問題、多目的配送計画問題など）で実施された。結果として、WeConは最先端ソルバーPOCCO-Wと同等の超体積（HV）値を達成し、推論時間を40%削減した。アブレーション研究により、GRF、RF、EPOの各設計の貢献が確認された。これらの成果は、WeConが解の品質を維持しつつ効率を大幅に向上させることを示しており、多目的最適化問題に対するニューラルアプローチの新たな方向性を提供する。
本論文はXuan Wuら10名の著者により執筆され、2026年5月20日にarXivに投稿された。コードとデータは後日公開される予定である。WeConの提案は、実応用における意思決定の迅速化に寄与することが期待される。