論文の概要: Multi-Armed Bandits Meet Large Language Models

• arxiv url: http://arxiv.org/abs/2505.13355v1
• Date: Mon, 19 May 2025 16:57:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.755779
• Title: Multi-Armed Bandits Meet Large Language Models
• Title（参考訳）: 大規模言語モデルとマルチアーマッドバンド
• Authors: Djallel Bouneffouf, Raphael Feraud,
• Abstract要約: BanditアルゴリズムとLarge Language Models (LLM)が人工知能の強力なツールとして登場した。 まず, LLM微調整, プロンプトエンジニアリング, 適応応答生成の最適化において, 帯域幅アルゴリズムが果たす役割について検討する。 次に、LLMが文脈理解の高度化、動的適応、および自然言語推論を用いたポリシー選択の改善を通じて、帯域幅アルゴリズムをどのように拡張するかを検討する。
• 参考スコア（独自算出の注目度）: 6.320763879009171
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bandit algorithms and Large Language Models (LLMs) have emerged as powerful tools in artificial intelligence, each addressing distinct yet complementary challenges in decision-making and natural language processing. This survey explores the synergistic potential between these two fields, highlighting how bandit algorithms can enhance the performance of LLMs and how LLMs, in turn, can provide novel insights for improving bandit-based decision-making. We first examine the role of bandit algorithms in optimizing LLM fine-tuning, prompt engineering, and adaptive response generation, focusing on their ability to balance exploration and exploitation in large-scale learning tasks. Subsequently, we explore how LLMs can augment bandit algorithms through advanced contextual understanding, dynamic adaptation, and improved policy selection using natural language reasoning. By providing a comprehensive review of existing research and identifying key challenges and opportunities, this survey aims to bridge the gap between bandit algorithms and LLMs, paving the way for innovative applications and interdisciplinary research in AI.
• Abstract（参考訳）: BanditアルゴリズムとLarge Language Models(LLM)は人工知能の強力なツールとして登場し、それぞれが意思決定や自然言語処理において、独特だが相補的な課題に対処している。 本研究は,両分野間の相乗的ポテンシャルを考察し,帯域幅アルゴリズムがLLMの性能をいかに向上させるか,そしてLLMがバンド幅に基づく意思決定を改善するための新たな洞察を提供するかを明らかにする。 まず,LLMの微調整,高速化,適応応答生成の最適化における帯域幅アルゴリズムの役割について検討し,大規模学習課題における探索と活用のバランスをとる能力に着目した。 その後、LLMは、文脈理解の高度化、動的適応、および自然言語推論を用いたポリシー選択の改善を通じて、帯域幅アルゴリズムをどのように拡張するかを検討する。 この調査は、既存の研究の包括的なレビューを提供し、重要な課題と機会を特定することによって、帯域幅アルゴリズムとLLMのギャップを埋めることを目的としており、革新的なアプリケーションとAIの学際的な研究の道を開くことを目的としている。

関連論文リスト

• From Selection to Generation: A Survey of LLM-based Active Learning [153.8110509961261]
  大きな言語モデル(LLM)は、全く新しいデータインスタンスを生成し、よりコスト効率の良いアノテーションを提供するために使われています。 本調査は,LSMに基づくAL手法の直感的な理解を目指して,研究者や実践者の最新のリソースとして機能することを目的としている。
  論文  参考訳（メタデータ） (2025-02-17T12:58:17Z)
• Probing Large Language Models in Reasoning and Translating Complex Linguistic Puzzles [0.6144680854063939]
  本稿では,複雑な言語パズルの解法としてLarge Language Models (LLMs) を用いる。 パズリングマシンコンペティションと各種言語オリンピアードのデータセットを用いて、GPT-4 0603の性能を評価する。
  論文  参考訳（メタデータ） (2025-02-02T14:53:14Z)
• Enhancing LLM Reasoning with Reward-guided Tree Search [95.06503095273395]
  o1のような推論アプローチは困難で、研究者はこのオープンな研究領域を前進させようとさまざまな試みを行ってきた。 本稿では,報酬誘導木探索アルゴリズムを用いて,LLMの推論能力を高めるための予備的な検討を行う。
  論文  参考訳（メタデータ） (2024-11-18T16:15:17Z)
• EVOLvE: Evaluating and Optimizing LLMs For Exploration [76.66831821738927]
  大規模言語モデル(LLM)は、不確実性の下で最適な意思決定を必要とするシナリオにおいて、未調査のままである。 多くのアプリケーションに関係のあるステートレス強化学習環境である,帯域幅を最適に決定できる LLM の (in) 能力の測定を行う。 最適な探索アルゴリズムの存在を動機として,このアルゴリズム知識をLLMに統合する効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T17:54:03Z)
• LMRL Gym: Benchmarks for Multi-Turn Reinforcement Learning with Language Models [56.25156596019168]
  本稿では,LMRL-Gymベンチマークを用いて,大規模言語モデル(LLM)のマルチターンRLの評価を行う。 我々のベンチマークは8つの異なる言語タスクで構成されており、複数ラウンドの言語相互作用が必要であり、オープンエンド対話やテキストゲームにおける様々なタスクをカバーする。
  論文  参考訳（メタデータ） (2023-11-30T03:59:31Z)
• Algorithm of Thoughts: Enhancing Exploration of Ideas in Large Language Models [17.059322033670124]
  本稿では,アルゴリズム的推論経路を通じて大規模言語モデルを促進する新しい手法を提案する。 この結果から,LLMをアルゴリズムを用いて指導すると,アルゴリズム自体よりも性能が向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-20T22:36:23Z)

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。