An Efficient Diffusion-based Non-Autoregressive Solver for Traveling Salesman Problem

要約

ニューラル モデルの最近の進歩により、手作りのエンジニアリングにあまり依存せずに巡回セールスマン問題 (TSP) を解決できることがかなり期待できます。
ただし、非自己回帰 (NAR) アプローチは、並列処理による高速推論の恩恵を受けますが、通常、自己回帰アプローチと比較して提供されるソリューションの品質は劣ります。
高速な推論を維持しながらソリューションの品質を向上させるために、NAR 方式で動作する TSP 向けに調整された効率的な反復を備えた拡散モデルである DEITSP を提案します。
まず、制御された離散ノイズ追加プロセスと自己無撞着性強化を統合したワンステップ拡散モデルを導入し、複数の解の同時ノイズ除去を通じて最適な解の予測を可能にします。
次に、ノードおよびエッジ モダリティからの特徴の抽出と融合を強化すると同時に、より少ないレイヤーで推論をさらに高速化するデュアル モダリティ グラフ トランスフォーマーを設計します。
第三に、ノイズの追加と削除を交互に行う効率的な反復戦略を開発し、以前の拡散手法と比較して探査を改善します。
さらに、ノイズ レベルを調整することで解決空間を段階的に改善するためのスケジューリング フレームワークを考案し、最適な解決策のスムーズな検索を促進します。
現実世界の大規模 TSP インスタンスでの広範な実験により、DEITSP がソリューションの品質、推論レイテンシ、汎化能力の点で既存のニューラル アプローチに対して有利に機能することが実証されています。
コードは $\href{https://github.com/DEITSP/DEITSP}{https://github.com/DEITSP/DEITSP}$ で入手できます。

要約(オリジナル)

Recent advances in neural models have shown considerable promise in solving Traveling Salesman Problems (TSPs) without relying on much hand-crafted engineering. However, while non-autoregressive (NAR) approaches benefit from faster inference through parallelism, they typically deliver solutions of inferior quality compared to autoregressive ones. To enhance the solution quality while maintaining fast inference, we propose DEITSP, a diffusion model with efficient iterations tailored for TSP that operates in a NAR manner. Firstly, we introduce a one-step diffusion model that integrates the controlled discrete noise addition process with self-consistency enhancement, enabling optimal solution prediction through simultaneous denoising of multiple solutions. Secondly, we design a dual-modality graph transformer to bolster the extraction and fusion of features from node and edge modalities, while further accelerating the inference with fewer layers. Thirdly, we develop an efficient iterative strategy that alternates between adding and removing noise to improve exploration compared to previous diffusion methods. Additionally, we devise a scheduling framework to progressively refine the solution space by adjusting noise levels, facilitating a smooth search for optimal solutions. Extensive experiments on real-world and large-scale TSP instances demonstrate that DEITSP performs favorably against existing neural approaches in terms of solution quality, inference latency, and generalization ability. Our code is available at $\href{https://github.com/DEITSP/DEITSP}{https://github.com/DEITSP/DEITSP}$.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google