계속 반복하고 개선하기: 지속적으로 변화하는 작업 환경에서의 평생 학습 기반 차량 경로 문제 해결

Keep Rehearsing and Refining: Lifelong Learning Vehicle Routing under Continually Drifting Tasks

기존의 차량 경로 문제(VRP) 해결을 위한 신경망 기반 솔루션은 일반적으로 미리 정의된 고정된 작업 집합에 대해 한 번 학습하거나, 여러 작업이 순차적으로 주어지는 환경에서 각 작업에 대한 충분한 학습을 가정하며 평생 학습 방식으로 훈련됩니다. 하지만, 이러한 방식들은 현실 세계의 일반적인 특성을 간과합니다. 즉, 문제 패턴은 시간이 지남에 따라 지속적으로 변화하며, 엄청난 양의 작업이 순차적으로 발생하지만, 각 작업에 대해 제한된 학습 자원만 제공됩니다. 본 논문에서는 학습 시간 단계 동안 지속적으로 변화하는 작업 환경에서, 특정 시점에 주어진 어떤 작업에 대해서도 충분한 학습이 불가능한 상황에서 신경망 기반 VRP 솔루션에 대한 새로운 평생 학습 패러다임을 연구합니다. 우리는 학습 효율성을 향상시키고, 이러한 변화 속에서 발생하는 재앙적인 망각 현상을 완화하기 위한 일반적인 프레임워크인 Dual Replay with Experience Enhancement (DREE)를 제안합니다. 광범위한 실험 결과는 DREE가 이러한 지속적인 변화 속에서도 새로운 작업을 효과적으로 학습하고, 기존 지식을 유지하며, 보이지 않는 작업에 대한 일반화 성능을 향상시킬 수 있으며, 다양한 기존 신경망 솔루션에 적용될 수 있음을 보여줍니다.

Existing neural solvers for vehicle routing problems (VRPs) are typically trained either in a one-off manner on a fixed set of pre-defined tasks or in a lifelong manner on several tasks arriving sequentially, assuming sufficient training on each task. Both settings overlook a common real-world property: problem patterns may drift continually over time, yielding massive tasks sequentially arising while offering only limited training resources per task. In this paper, we study a novel lifelong learning paradigm for neural VRP solvers under continually drifting tasks over learning time steps, where sufficient training for any given task at any time is not available. We propose Dual Replay with Experience Enhancement (DREE), a general framework to improve learning efficiency and mitigate catastrophic forgetting under such drift. Extensive experiments show that, under such continual drift, DREE effectively learns new tasks, preserves prior knowledge, improves generalization to unseen tasks, and can be applied to diverse existing neural solvers.