[論文レビュー] Leveraging TSP Solver Complementarity via Deep Learning

Kangfei Zhao, Shengcai Liu+2 more|arXiv (Cornell University)|Jun 1, 2020

Data Management and Algorithms参考文献 47被引用数 4

ひとこと要約

本稿では、畳み込みニューラルネットワークとデータ拡張を用いて、個々のTSPインスタンスに最適なTSPソルバを選択する深層学習フレームワークCTASを提案する。新規の6,000インスタンスベンチマークにおいて、最良の単一ソルバーよりも2倍以上の高速化を達成し、大規模TSPワークロードにおけるソルバ選択の最先端の統計モデルを上回る性能を発揮する。

ABSTRACT

The Travelling Salesman Problem (TSP) is a classical NP-hard problem and has broad applications in many disciplines and industries. In a large scale location-based services system, users issue TSP queries concurrently, where a TSP query is a TSP instance with $n$ points. In the literature, many advanced TSP solvers are developed to find high-quality solutions. Such solvers can solve some TSP instances efficiently but may take an extremely long time for some other instances. Due to the diversity of TSP instances, it is well-known that there exists no universal best solver dominating all other solvers on all possible TSP instances. To solve TSP efficiently, in addition to developing new TSP solvers, it needs to find a per-instance solver for each TSP instance, which is known as the TSP solver selection problem. In this paper, for the first time, we propose a deep learning framework, \CTAS, for TSP solver selection in an end-to-end manner. Specifically, \CTAS exploits deep convolutional neural networks to extract informative features from TSP instances and involves data argumentation strategies to handle the scarcity of labeled TSP instances. Moreover, to support large scale TSP solver selection, we construct a challenging TSP benchmark dataset with 6,000 instances, which is known as the largest TSP benchmark. Our \CTAS achieves over 2$ imes$ speedup of the average running time, comparing the single best solver, and outperforms the state-of-the-art statistical models.

研究の動機と目的

• 普遍的に最適なソルバが存在しないことから、個々のTSPインスタンスに対して最良のソルバを選択する課題に対処すること。
• ソルバ選択モデルの学習データにおけるラベル付きTSPインスタンスの不足という課題を克服すること。
• 高並列クエリワークロードを伴う実世界の位置ベースサービスにおいて、効率的で大規模なTSPソルバ選択を可能にすること。
• 既存の統計モデルを凌駕するソルバ選択性能を発揮するスケーラブルでエンドツーエンドの深層学習フレームワークの開発。
• ソルバ選択手法の厳密な評価を可能にする、6,000インスタンスのTSPインスタンスから構成される大規模で挑戦的なベンチマークデータセットの構築。

提案手法

• TSPインスタンスをグリッドベースの入力行列として表現し、深層畳み込みニューラルネットワークを用いて構造的・空間的特徴を抽出する。
• データ拡張戦略を適用して訓練データセットを人工的に拡張し、ラベル付きTSPインスタンスの不足を緩和する。
• ヒューリスティックなルールベース選択を経由せずに、TSPインスタンス特徴を直接最適なソルバ選択にマップするエンドツーエンドの学習フレームワークを設計する。
• 多様なインスタンスタイプにわたる一般化を保証するため、新たに構築した6,000インスタンスの多様なTSPインスタンスのベンチマークデータセットでモデルを学習する。
• リアルタイムシステムにモデル推論を統合し、クエリインスタンスごとに実行速度が最も速いソルバを動的に選択する。
• ソルバ選択の正確性と実行効率を最適化する損失関数を用い、モデル出力を実用的なパフォーマンス向上と一致させる。

実験結果

リサーチクエスチョン

• RQ1 構造的特徴に基づいて、深層学習モデルが与えられたインスタンスに対して最良のTSPソルバを効果的に学習できるか？
• RQ2 ラベル付きデータが限られる状況において、データ拡張はTSPソルバ選択モデルの性能向上にどのように寄与するか？
• RQ3 エンドツーエンドの深層学習フレームワークは、従来の統計モデルに比べて、どの程度TSPソルバ選択で優れた性能を発揮できるか？
• RQ4 モデルが学習したソルバ選択の影響が、大規模TSPワークロードにおける平均クエリ実行時間に及ぼす影響は何か？
• RQ5 実世界のデプロイ環境において、多様なTSPインスタンスタイプにわたって、提案フレームワークはどの程度スケーラブルか？

主な発見

• CTASは、すべてのインスタンスに対して単一で最良のパフォーマンスを示すTSPソルバーよりも平均実行時間が2倍以上高速化された。
• フレームワークは、ソルバ選択の正確性と実行効率の両面で、最先端の統計モデルを上回った。
• データ拡張の活用により、ラベル付きTSPインスタンスが限られている状況でも、モデルの一般化性能が顕著に向上した。
• 構築された6,000インスタンスのベンチマークは、これまでに公開された中で最大のTSPベンチマークであり、ソルバ選択システムの堅牢な評価を可能にした。
• 深層学習モデルは、インスタンス固有のソルバ好ましさを効果的に特定し、多様なTSPインスタンスタイプにわたる強力な一般化能力を示した。
• 畳み込みネットワークを用いたエンドツーエンドの学習により、ソルバパフォーマンスと相関するTSPインスタンス内の意味のある構造的パターンを捉えることができた。