Abstract
車両ルーティング問題（VRP）は、現代の物流およびサプライチェーン管理における中核的な最適化課題である。近年のニューラル組合せ最適化（NCO）は、いくつかの従来型アルゴリズムに比べて優れた効率を示している。一般的なVRPを解くための主要なNCOアプローチとして機能している一方で、現在の問題間学習の枠組みは、単純なVRPバリアントから、異なるかつ複雑な制約を伴うものへ転移する際に、性能の劣化や汎化性能の低下（汎化可能性の減衰）に依然として影響されやすい。本論文では、この枠組みを強化するために、連合学習（Federated Learning）を用いた革新的な「Multi-problem Pre-train, then Single-problem Fine-tune（多問題で事前学習し、その後単一問題で微調整）」フレームワークであるMPSF-FLを提案する。このフレームワークは、連合されたグローバルモデルにおける共通知識を活用し、単一問題の微調整に向けて、ローカルモデル間の効率的な問題間知識共有と転移を促進する。これにより、ローカルモデルは最新のグローバルモデルから共通のVRP知識を効果的に保持しつつ、異種で複雑な制約を持つ下流のVRPに対して効率よく適応できる。実験結果は、提案フレームワークが多様なVRPにおける性能を向上させるだけでなく、未見の問題に対する汎化性能も改善することを示している。
