# Keep Rehearsing and Refining: Lifelong Learning Vehicle Routing under Continually Drifting Tasks

### 저자

Jiyuan Pei, Yi Mei, Jialin Liu, Mengjie Zhang, Xin Yao

### 💡 개요

본 논문은 차량 경로 문제(VRP) 해결을 위한 기존 신경망 솔버들이 실제 환경의 지속적인 작업 패턴 변화(task drift)를 충분히 고려하지 못한다는 문제점을 지적합니다. 이에 대해 각 작업마다 제한된 학습 자원만 주어지는 연속적인 작업 환경에서 발생하는 지속적인 작업 패턴 변화에 대응하기 위한 새로운 평생 학습(lifelong learning) 패러다임을 제안합니다. 제안하는 DREE(Dual Replay with Experience Enhancement) 프레임워크는 학습 효율성을 높이고 치명적인 망각(catastrophic forgetting)을 완화하여, 새로운 작업 학습, 이전 지식 보존, 보지 못한 작업에 대한 일반화 성능 향상을 효과적으로 달성합니다.

### 🔑 시사점 및 한계

- 실제 물류 데이터셋을 통해 지속적인 작업 패턴 변화가 현실적인 문제임을 실증적으로 보여줍니다.

- 제안된 DREE 프레임워크는 다양한 기존 신경망 솔버에 적용 가능하여 범용성을 가집니다.

- DREE는 새로운 작업 학습, 이전 지식 보존, 보지 못한 작업에 대한 일반화 성능을 향상시키는 데 효과적임을 실험적으로 입증했습니다.

- 지속적인 작업 패턴 변화 하에서 평생 학습 VRP 솔버의 성능을 향상시키는 새로운 방향을 제시하지만, 실제 적용 시 학습 자원의 제약과 모델 복잡성 간의 균형점을 찾는 것이 중요하며, 보다 복잡하고 동적인 환경에서의 적용 가능성에 대한 추가 연구가 필요합니다.

---

[PDF 보기](https://arxiv.org/pdf/2601.22509)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).