Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Impulso de la generalización entre problemas en un solucionador combinatorio neuronal basado en difusión mediante la adaptación del tiempo de inferencia

Created by
  • Haebom

Autor

Haoyu Lei, Kaiwen Zhou, Yinchuan Li, Zhitang Chen, Farzan Farnia

Describir

Este artículo presenta un método para resolver problemas NP-completos mediante un modelo de difusión basado en optimización combinatoria neuronal (NCO). Para abordar los desafíos de los métodos NCO existentes, incluyendo su tamaño y generalización entre problemas, así como sus altos costos de entrenamiento, proponemos DIFU-Ada, un marco que se adapta en la etapa de inferencia sin entrenamiento. DIFU-Ada utiliza funciones de guía predefinidas para permitir la generación condicional, la transferencia entre problemas de disparo cero y la generalización de tamaño sin entrenamiento adicional. Comprendemos la transferibilidad entre problemas mediante análisis teórico y demostramos experimentalmente que un solucionador de difusión entrenado exclusivamente en el problema del viajante (TSP) logra un rendimiento competitivo en la transferencia entre problemas de disparo cero en variantes del TSP como PCTSP y OP.

Takeaways, Limitations

•
Takeaways:
◦
Proponemos un nuevo marco (DIFU-Ada) que se adapta en la etapa de inferencia sin entrenamiento, solucionando así los problemas de alto costo de entrenamiento y bajo rendimiento de generalización de los NCO basados en difusión existentes (Limitations).
◦
Verificación experimental del rendimiento mejorado de transferencia y generalización de tamaño en el problema de cruce de disparo cero.
◦
Un análisis teórico mejora aún más nuestra comprensión de la transferibilidad entre problemas.
•
Limitations:
◦
La eficacia del método propuesto se limita a TSP y sus problemas variantes, y su rendimiento de generalización a otros tipos de problemas de optimización combinatoria requiere más estudios.
◦
El diseño de la función de guía predefinida puede afectar el rendimiento, y se necesita más investigación para diseñar la función de guía óptima.
◦
Se necesitan evaluaciones del desempeño de generalización para problemas de diversos tamaños, y existe la posibilidad de que haya sesgo hacia problemas de cierto tamaño.
👍
Made with Slashpage