이 논문은 차량 경로 문제(VRP)를 해결하기 위한 교차 문제 학습 방법을 제안한다. 기존 신경망 휴리스틱은 각 VRP에 대해 처음부터 깊은 아키텍처를 학습하지만, 이는 다양한 VRP 변형 간 전이 가능한 지식을 무시한다.
저자들은 먼저 여행 외판원 문제(TSP)에 대한 Transformer 모델을 사전 학습한다. 그 후 이 사전 학습된 Transformer 백본을 활용하여 복잡한 VRP 변형에 대한 휴리스틱 학습을 돕는다. 구체적으로 복잡한 VRP에 대한 Transformer 모델을 TSP 백본과 문제별 모듈로 모듈화한다. 그리고 전체 미세 조정(full fine-tuning)과 어댑터 기반 미세 조정(adapter-based fine-tuning) 방법을 제안한다.
실험 결과, 전체 미세 조정 방법은 처음부터 학습한 모델보다 크게 성능이 향상되었다. 어댑터 기반 미세 조정 방법도 처음부터 학습한 모델과 비슷한 성능을 보이면서 훨씬 적은 매개변수를 필요로 했다. 또한 제안 방법은 분포가 다른 문제에도 효과적이며, 다양한 신경망 모델에도 적용 가능한 것으로 나타났다.
To Another Language
from source content
arxiv.org
Ключові висновки, отримані з
by Zhuoyi Lin,Y... о arxiv.org 04-19-2024
https://arxiv.org/pdf/2404.11677.pdfГлибші Запити