ترجمه فارسی مقاله مواجهه با موسیقی: پرداختن به جداسازی صدای آواز در جداسازی منبع صدای سینمایی

چکیده

Existing neural constructive solvers for routing problems have predominantly employed transformer architectures, conceptualizing the route construction as a set-to-sequence learning task. However, their efficacy has primarily been demonstrated on entirely random problem instances that inadequately capture real-world scenarios. In this paper, we introduce realistic Traveling Salesman Problem (TSP) scenarios relevant to industrial settings and derive the following insights: (1) The optimal next node (or city) to visit often lies within proximity to the current node, suggesting the potential benefits of biasing choices based on current locations. (2) Effectively solving the TSP requires robust tracking of unvisited nodes and warrants succinct grouping strategies. Building upon these insights, we propose integrating a learnable choice layer inspired by Hypernetworks to prioritize choices based on the current location, and a learnable approximate clustering algorithm inspired by the Expectation-Maximization algorithm to facilitate grouping the unvisited cities. Together, these two contributions form a hierarchical approach towards solving the realistic TSP by considering both immediate local neighbourhoods and learning an intermediate set of node representations. Our hierarchical approach yields superior performance compared to both classical and recent transformer models, showcasing the efficacy of the key designs.

چکیده به فارسی (ترجمه ماشینی)

حلال های سازنده عصبی موجود برای مشکلات مسیریابی ، عمدتاً از معماری های ترانسفورماتور استفاده می کنند ، و مفهوم سازی مسیر را به عنوان یک کار یادگیری مجموعه به توالی مفهوم سازی می کنند.با این حال ، اثربخشی آنها در درجه اول در موارد مشکل کاملاً تصادفی نشان داده شده است که به طور نامناسب سناریوهای دنیای واقعی را ضبط می کنند.در این مقاله ، ما سناریوهای مربوط به فروشنده مسافرتی واقع بینانه (TSP) مربوط به تنظیمات صنعتی را معرفی می کنیم و بینش های زیر را به دست می آوریم: (1) گره بهینه بعدی (یا شهر) برای بازدید اغلب در مجاورت گره فعلی نهفته است ، و مزایای بالقوه را نشان می دهدگزینه های مغرضانه بر اساس مکان های فعلی.(2) حل مؤثر TSP نیاز به ردیابی قوی گره های بدون استفاده و ضمانت استراتژی های گروه بندی موجز دارد.با تکیه بر این بینش ها ، ما پیشنهاد می کنیم یک لایه انتخاب یادگیری با الهام از HyperNetworks برای اولویت بندی گزینه ها بر اساس موقعیت فعلی ، و یک الگوریتم خوشه بندی تقریبی قابل یادگیری با الهام از الگوریتم انتظار حداکثر برای تسهیل گروه بندی در شهرهای نامشخص.با هم ، این دو مشارکت با در نظر گرفتن هر دو محله فوری محلی و یادگیری یک مجموعه واسطه ای از بازنمایی گره ، یک رویکرد سلسله مراتبی را برای حل TSP واقع گرایانه تشکیل می دهند.رویکرد سلسله مراتبی ما عملکرد برتر را در مقایسه با هر دو مدل ترانسفورماتور کلاسیک و اخیر به دست می آورد و اثربخشی طرح های کلیدی را نشان می دهد.