순회 세일즈맨 문제(TSP)를 히트맵 같은 대리 표현이 아니라 구조적으로 의미 있는 잠재 객체로 직접 학습하는 비지도 파이프라인 C2TSP를 제안했다. 연결성이 구성 단계에서 보장되는(connected-by-construction) 루트 1-트리 Gibbs 분포족을 기반으로, 암묵적 미분을 통해 비편향 TSP 비용에서 잔차 엣지 섭동을 학습한다. 평활화된 Held-Karp 레이어가 기대 차수 균형을 복원하고, 인증서 기반 샤프닝이 분포를 투어에 가까운 구조로 밀어붙인다. 실험에서 강한 디코딩 성능과 해석 가능한 구조 정보를 동시에 확보했으며, 디코딩 이전에 모델이 실제로 어떤 해밀턴 구조를 학습했는지 들여다볼 수 있게 한 점이 기여다.
- •기존 학습형 TSP 연구는 디코딩 후 투어만 평가해 모델이 실제 학습한 해밀턴 구조가 불투명했다는 문제의식
- •연결성이 구성적으로 보장되는 루트 1-트리 Gibbs 분포족 기반 종단간 비지도 학습
- •암묵적 미분으로 비편향 TSP 비용에서 잔차 엣지 섭동 학습
- •평활화된 Held-Karp 레이어와 인증서 기반 샤프닝이 투어 비용과 구조를 함께 개선(어블레이션 확인)
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Connected by Construction: Learning Tractable Near-Tour Marginals for Traveling Salesman Problems
- 1.TSP를 히트맵 대신 구조적 잠재 객체로 학습하는 비지도 파이프라인 C2TSP 제안
- 2.연결성이 보장된 루트 1-트리 Gibbs 족 기반, 암묵적 미분으로 잔차 엣지 섭동 학습
- 3.평활화된 Held-Karp 층이 차수 균형 복원, 인증서 유도 샤프닝이 투어 구조 강화
- 4.해석 가능한 구조 정보를 유지하면서 강력한 디코딩 성능 달성
왜 중요한가?
학습 기반 TSP 연구가 '디코딩 후 투어'만 평가하느라 모델이 실제로 어떤 해밀토니안 구조를 배웠는지 가려져 있던 문제를 정면으로 다뤘다. 디코딩 이전 잠재 표현 자체가 투어에 가깝도록 학습해 해석 가능성과 성능을 동시에 잡은 접근이다.
언급 프로젝트
이 논문은 학습 기반 방식을 사용하여 순회 판매원 문제(TSP)에 대한 실행 가능한 근사 경로를 학습하는 새로운 접근법을 제안합니다. 물류, 배송, 생산 스케줄링 등 다양한 산업에서 효율적인 경로 최적화가 필수적인 한국 시장에서 TSP는 여전히 중요한 과제입니다. 이 연구는 국내 기업들이 AI 기반 최적화 솔루션의 성능을 향상시키고, 복잡한 비즈니스 문제를 해결하는 데 기여할 실질적인 기술 발전 가능성을 제시합니다.
본문 미리보기
arXiv:2607.12127v1 Announce Type: new Abstract: Learning-based methods for the traveling salesman problem (TSP) are often evaluated through the tours produced after decoding or search, but the learned object itself frequently lives in a surrogate space such as heatmaps, assignments, construction policies, or search-guidance scores. This hides the fundamental question: what Hamiltonian structure has actually been learned before decoding? In this study, we directly answer this question by learnin
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:40AI 초안
