論文の概要: Randomness Is All You Need: Semantic Traversal of Problem-Solution Spaces with Large Language Models

• arxiv url: http://arxiv.org/abs/2402.06053v1
• Date: Thu, 8 Feb 2024 20:49:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-12 18:57:24.939550
• Title: Randomness Is All You Need: Semantic Traversal of Problem-Solution Spaces with Large Language Models
• Title（参考訳）: ランダム性は必要なもの - 大規模言語モデルによる問題解決空間のセマンティックトラバース
• Authors: Thomas Sandholm, Sayandev Mukherjee, Bernardo A. Huberman
• Abstract要約: 本稿では, LLMファインチューニングとカスタムアイデアデータベースを用いて, イノベーション問題とソリューションドメインを探索する新しい手法を提案する。 温度レベルの異なる二方向問題と解木を意味的にトラバースすることにより、解編集距離の多様性を高めることができる。 与えられた問題に対する様々な解を見つけることに加えて、本手法は元の問題文を洗練・明確化するためにも用いられる。
• 参考スコア（独自算出の注目度）: 31.507220676286007
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel approach to exploring innovation problem and solution domains using LLM fine-tuning with a custom idea database. By semantically traversing the bi-directional problem and solution tree at different temperature levels we achieve high diversity in solution edit distance while still remaining close to the original problem statement semantically. In addition to finding a variety of solutions to a given problem, this method can also be used to refine and clarify the original problem statement. As further validation of the approach, we implemented a proof-of-concept Slack bot to serve as an innovation assistant.
• Abstract（参考訳）: 本稿では, LLMファインタニングとカスタムアイデアデータベースを用いて, イノベーション問題とソリューションドメインを探索する新しい手法を提案する。 双方向問題と解木を異なる温度レベルで意味論的にトラバースすることによって,従来の問題文に意味的に近づいたまま,解編集距離の多様性が高まる。 与えられた問題に対する様々な解を見つけることに加えて、本手法は元の問題ステートメントを洗練し、明確化するためにも使用できる。 このアプローチのさらなる検証として、概念実証型slackボットをイノベーションアシスタントとして実装しました。

関連論文リスト

• Towards graph neural networks for provably solving convex optimization problems [5.966097889241178]
  提案するMPNNフレームワークは,検証可能な実現可能性保証を用いて凸最適化問題を解決する。 実験の結果,提案手法は既存の神経ベースラインよりも解の質や実現可能性に優れていた。
  論文  参考訳（メタデータ） (2025-02-04T16:11:41Z)
• RL-MILP Solver: A Reinforcement Learning Approach for Solving Mixed-Integer Linear Programs with Graph Neural Networks [3.3894236476098185]
  混合整数線形プログラミング (MILP) は様々な分野にまたがる最適化手法である。 本稿では,最初の実現可能な解を見つけるだけでなく,より有効な解を段階的に発見する新しい強化学習(RL)に基づく解法を提案する。
  論文  参考訳（メタデータ） (2024-11-29T07:23:34Z)
• Thought Propagation: An Analogical Approach to Complex Reasoning with Large Language Models [62.96551299003463]
  大規模言語モデルの複雑な推論能力を高めるために,textbftextitThought Propagation (TP)を提案する。 TP はまず LLM に対して,入力問題に関連する類似問題の集合を提案し,解決するよう促す。 TPは、類似問題の結果を再利用して、新しいソリューションを直接生成したり、スクラッチから得られた初期ソリューションを修正するための知識集約的な実行プランを導出する。
  論文  参考訳（メタデータ） (2023-10-06T01:40:09Z)
• Exploring the solution space of linear inverse problems with GAN latent geometry [23.779985842891705]
  逆問題とは、不完全な測定セットからの信号の再構成である。 そこで本研究では, 生成的逆数ネットワークによって学習された, 測定値とデータ駆動型事前学習の両方に適合する複数の再構成を生成する手法を提案する。
  論文  参考訳（メタデータ） (2022-07-01T14:33:44Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• A Mutual Information Maximization Approach for the Spurious Solution Problem in Weakly Supervised Question Answering [60.768146126094955]
  弱々しい教師付き質問応答は通常、最終的な答えのみを監督信号として持つ。 偶然に正解を導出する刺激的な解が多数存在するかもしれないが、そのような解の訓練はモデルの性能を損なう可能性がある。 本稿では,質問応答対と予測解間の相互情報の最大化により,このような意味的相関を明示的に活用することを提案する。
  論文  参考訳（メタデータ） (2021-06-14T05:47:41Z)
• Discovering Diverse Solutions in Deep Reinforcement Learning [84.45686627019408]
  強化学習アルゴリズムは通常、特定のタスクの単一のソリューションを学ぶことに限定される。 連続的あるいは離散的な低次元潜在変数に条件付きポリシーを訓練することにより、無限に多くの解を学習できるRL法を提案する。
  論文  参考訳（メタデータ） (2021-03-12T04:54:31Z)
• Learning by Fixing: Solving Math Word Problems with Weak Supervision [70.62896781438694]
  数学用語問題(mwps)の従来のニューラルネットワークソルバは、完全な監視によって学習され、多様なソリューションを生み出すことができない。 MWPを学習するためのテキスト弱教師付きパラダイムを提案する。 この手法は最終回答のアノテーションのみを必要とし、単一の問題に対して様々な解決策を生成できる。
  論文  参考訳（メタデータ） (2020-12-19T03:10:21Z)
• Learning the Solution Manifold in Optimization and Its Application in Motion Planning [4.177892889752434]
  我々は、変数のような変数上の多様体を学習し、そのようなモデルは無限の解の集合を表す。 本フレームワークでは,この重要度を用いて問題推定を行う。 本研究では,高次元パラメータの最適化を含む動き計画問題に適用する。
  論文  参考訳（メタデータ） (2020-07-24T08:05:36Z)
• GACEM: Generalized Autoregressive Cross Entropy Method for Multi-Modal Black Box Constraint Satisfaction [69.94831587339539]
  本稿では,マスク付き自己回帰ニューラルネットワークを用いて解空間上の均一分布をモデル化するクロスエントロピー法(CEM)を提案する。 我々のアルゴリズムは複雑な解空間を表現でき、様々な異なる解領域を追跡できる。
  論文  参考訳（メタデータ） (2020-02-17T20:21:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。