論文の概要: Multi-Objective Infeasibility Diagnosis for Routing Problems Using Large Language Models

• arxiv url: http://arxiv.org/abs/2508.03406v1
• Date: Tue, 05 Aug 2025 12:53:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:55.970454
• Title: Multi-Objective Infeasibility Diagnosis for Routing Problems Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたルーティング問題に対する多目的不確実性診断
• Authors: Kai Li, Ruihao Zheng, Xinye Hao, Zhenkun Wang,
• Abstract要約: 現実世界のルーティング問題では、ユーザーは矛盾や不合理な要求を提案し、空の実現可能なソリューションセットに繋がる。 既存のLarge Language Model (LLM) ベースの手法は、実現不可能なモデルの診断を試みる。 LLMエージェントと自動ルーティング解決器内の多目的最適化を組み合わせたMOID(Multi-Objective Infeasibility Diagnosis)を提案する。
• 参考スコア（独自算出の注目度）: 8.538624566791189
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In real-world routing problems, users often propose conflicting or unreasonable requirements, which result in infeasible optimization models due to overly restrictive or contradictory constraints, leading to an empty feasible solution set. Existing Large Language Model (LLM)-based methods attempt to diagnose infeasible models, but modifying such models often involves multiple potential adjustments that these methods do not consider. To fill this gap, we introduce Multi-Objective Infeasibility Diagnosis (MOID), which combines LLM agents and multi-objective optimization within an automatic routing solver, to provide a set of representative actionable suggestions. Specifically, MOID employs multi-objective optimization to consider both path cost and constraint violation, generating a set of trade-off solutions, each encompassing varying degrees of model adjustments. To extract practical insights from these solutions, MOID utilizes LLM agents to generate a solution analysis function for the infeasible model. This function analyzes these distinct solutions to diagnose the original infeasible model, providing users with diverse diagnostic insights and suggestions. Finally, we compare MOID with several LLM-based methods on 50 types of infeasible routing problems. The results indicate that MOID automatically generates multiple diagnostic suggestions in a single run, providing more practical insights for restoring model feasibility and decision-making compared to existing methods.
• Abstract（参考訳）: 現実世界のルーティング問題では、ユーザーはしばしば矛盾または不合理な要求を提案し、これは過度に制限されたり矛盾する制約のために実現不可能な最適化モデルをもたらす。 既存のLarge Language Model (LLM) ベースの手法は、実現不可能なモデルを診断しようとするが、そのようなモデルを変更するには、これらの手法が考慮しない複数の潜在的な調整が必要となることが多い。 このギャップを埋めるために,LLMエージェントと自動ルーティングソルバ内での多目的最適化を組み合わせたMOID(Multi-Objective Infeasibility Diagnosis)を導入し,代表的な提案を提案する。 特に、MOIDは、パスコストと制約違反の両方を考慮するために多目的最適化を採用し、それぞれが様々なモデル調整を含む一連のトレードオフソリューションを生成する。 これらのソリューションから実用的な知見を抽出するために、MOIDはLLMエージェントを使用して、実用不可能なモデルに対する解解析関数を生成する。 この関数は、これらの異なるソリューションを分析して、元の実現不可能なモデルを診断し、多様な診断的洞察と提案を提供する。 最後に、50種類の不可能なルーティング問題に対して、MOIDと複数のLCMベースの手法を比較した。 その結果、MOIDは複数の診断提案を自動的に生成し、既存の手法と比較してモデルの実現可能性や意思決定を回復するための実践的な洞察を提供することがわかった。

関連論文リスト

• Benchmarking MOEAs for solving continuous multi-objective RL problems [3.8936716676293917]
  多目的強化学習(MORL)は、複数の、しばしば矛盾する報酬を同時に最適化する課題に対処する。 本稿では,複雑なMORL問題の解法における多目的進化アルゴリズムの適用性と限界について検討する。
  論文  参考訳（メタデータ） (2025-05-19T20:54:20Z)
• Autoformulation of Mathematical Optimization Models Using LLMs [50.030647274271516]
  本稿では,自然言語問題記述から解法対応最適化モデルを自動生成する,$textitautoformulation$の問題にアプローチする。 オートフォーミュレーションの3つの主要な課題を識別する: $textit(1)$ 巨大で問題に依存した仮説空間、および$textit(2)$ 不確実性の下でこの空間を効率的かつ多様に探索する。 我々は,$textitLarge Language Models$と$textitMonte-Carlo Tree Search$を併用した新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-03T20:41:38Z)
• Efficient and Effective Weight-Ensembling Mixture of Experts for Multi-Task Model Merging [111.8456671452411]
  マルチタスク学習(MTL)は、共有モデルを利用して複数のタスクを遂行し、知識伝達を促進する。 マルチタスクモデル統合のためのウェイトエンセブリング・ミックス・オブ・エキスパート(WEMoE)手法を提案する。 WEMoEとE-WEMoEは, MTL性能, 一般化, 堅牢性の観点から, 最先端(SOTA)モデルマージ法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-29T07:16:31Z)
• Embodied Agent Interface: Benchmarking LLMs for Embodied Decision Making [85.24399869971236]
  我々は,大規模言語モデル(LLM)を具体的意思決定のために評価することを目指している。 既存の評価は最終的な成功率にのみ依存する傾向がある。 本稿では,様々なタスクの形式化を支援する汎用インタフェース (Embodied Agent Interface) を提案する。
  論文  参考訳（メタデータ） (2024-10-09T17:59:00Z)
• Expensive Multi-Objective Bayesian Optimization Based on Diffusion Models [17.19004913553654]
  多目的ベイズ最適化(MOBO)は、様々な高価な多目的最適化問題(EMOP)において有望な性能を示した。 高価なMOBOのための合成拡散モデルに基づくパレートセット学習アルゴリズム,すなわちCDM-PSLを提案する。 提案アルゴリズムは,様々な最先端MOBOアルゴリズムと比較して優れた性能が得られる。
  論文  参考訳（メタデータ） (2024-05-14T14:55:57Z)
• UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [51.00436121587591]
  マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。 重みベクトル w でパラメトリした線型効用関数の場合に焦点を当てる。 学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T09:34:42Z)
• Model Composition for Multimodal Large Language Models [71.5729418523411]
  本稿では,既存のMLLMのモデル構成による新しいパラダイムを提案する。 我々の基本的な実装であるNaiveMCは、モダリティエンコーダを再利用し、LLMパラメータをマージすることで、このパラダイムの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-20T06:38:10Z)
• Towards Robust Multi-Modal Reasoning via Model Selection [7.6621866737827045]
  LLMはエージェントの"脳"として機能し、協調的な多段階タスク解決のための複数のツールを編成する。 我々はテスト時に無視できるランタイムオーバーヘッドを持つプラグインとして、$textitM3$フレームワークを提案する。 実験の結果,我々のフレームワークは,ユーザ入力とサブタスク依存の両方を考慮した動的モデル選択を可能にすることがわかった。
  論文  参考訳（メタデータ） (2023-10-12T16:06:18Z)
• Pareto Set Learning for Neural Multi-objective Combinatorial Optimization [6.091096843566857]
  多目的最適化(MOCO)の問題は、現実世界の多くのアプリケーションで見られる。 我々は,与えられたMOCO問題に対するパレート集合全体を,探索手順を伴わずに近似する学習ベースアプローチを開発した。 提案手法は,多目的走行セールスマン問題,マルチコンディショニング車両ルーティング問題,複数クナップサック問題において,ソリューションの品質,速度,モデル効率の面で,他の方法よりも優れていた。
  論文  参考訳（メタデータ） (2022-03-29T09:26:22Z)
• 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)
• Multi-Domain Learning by Meta-Learning: Taking Optimal Steps in Multi-Domain Loss Landscapes by Inner-Loop Learning [5.490618192331097]
  マルチモーダルアプリケーションのためのマルチドメイン学習問題に対するモデル非依存の解法を考える。 我々の手法はモデルに依存しないため、追加のモデルパラメータやネットワークアーキテクチャの変更は不要である。 特に、ホワイトマター高輝度の自動セグメンテーションにおける医療画像のフィッティング問題に対するソリューションを実証します。
  論文  参考訳（メタデータ） (2021-02-25T19:54:44Z)

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。