RouteExplainer: An Explanation Framework for Vehicle Routing Problem

本文介绍了车辆路径问题（VRP）是一个被广泛研究的组合优化问题，已应用于各种实际问题，但VRP的可解释性对于提高实际VRP应用的可靠性和交互性至关重要，但仍未被探索。作者提出了RouteExplainer，这是一个后续解释框架，可解释生成路径中每个边的影响。该框架通过将路径重新思考为操作序列，并基于操作影响模型扩展反事实解释来实现。为了增强解释，作者另外提出了一个边缘分类器，用于推断每个边的意图，一个用于训练边缘分类器的损失函数，以及由大型语言模型（LLM）生成的解释文本。作者在四个不同的VRP上对边缘分类器进行了定量评估。结果表明，它具有快速计算的特点，同时保持合理的准确性，因此突显了它在实际应用中的潜力。此外，作者在旅游路线问题上定性评估了我们框架生成的解释。这个评估不仅验证了我们的框架，还展示了解释框架和LLM之间的协同作用。请参见https://ntt-dkiku.github.io/xai-vrp，以获取我们的代码、数据集、模型和演示。

本论文旨在提出一种解释框架，即RouteExplainer，以解释生成路径中每个边的影响，解决可解释性问题。这个问题是否是新的？

论文的关键思路是将路径重新思考为动作序列，并基于动作影响模型扩展反事实解释到VRP中。此外，论文还提出了一种边缘分类器来推断每个边缘的意图，以及一种损失函数来训练边缘分类器。最后，使用大型语言模型生成解释文本。

论文还提出了一个边缘分类器，对四个不同的VRP进行了定量评估，结果表明其计算速度快，同时保持合理的准确性，因此可以在实际应用中部署。此外，论文通过对旅游路线的主题进行定性评估，验证了该框架的有效性。

最近在这个领域中，还有一些相关研究，如基于深度学习的VRP求解方法、基于元启发式算法的VRP求解方法等。