ResizeCO提出扩散求解器规模泛化方法
热点事件持续更新
ResizeCO提出扩散求解器规模泛化方法
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
研究者提出 ResizeCO，一种无标签的规模泛化方法，用于让扩散路径求解器适配更大规模的组合优化实例。该方法通过强化学习，把在小规模实例上训练的扩散模型迁移到大规模实例，并将 k-opt 建模为树搜索、在 GPU 上用 beam search 求解。 在节点数最多 10000 的 TSP 和 CVRP 实验中，作者称 ResizeCO 在路径质量与时间的 Pareto 前沿上优于学习型求解器，并在短运行时间下超越其他求解器，刷新 SOTA。
AI 根据报道生成 · 1 小时前更新
最新进展10月15日 12:00
ResizeCO：面向扩散路径求解器的规模泛化方法报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv cs.AIResizeCO：面向扩散路径求解器的规模泛化方法
研究者提出 ResizeCO，一种无标签的规模泛化方法，通过强化学习在小规模实例上训练的扩散模型上适配大规模实例，并将 k-opt 建模为树搜索、用 GPU 上的 beam search 求解。在节点数最多 10000 的 TSP 和 CVRP 实验中，ResizeCO 在路径质量与时间的 Pareto 前沿上优于学习型求解器，并在短运行时间下超越其他求解器，刷新 SOTA。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。