論文の概要: Automated Optimization Modeling through Expert-Guided Large Language Model Reasoning

• arxiv url: http://arxiv.org/abs/2508.14410v1
• Date: Wed, 20 Aug 2025 04:14:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.336972
• Title: Automated Optimization Modeling through Expert-Guided Large Language Model Reasoning
• Title（参考訳）: エキスパートガイド付き大言語モデル推論による自動最適化モデリング
• Authors: Beinuo Yang, Qishen Zhou, Junyi Li, Xingchen Su, Simon Hu,
• Abstract要約: 我々は、ロジスティクスドメインからの新しい最適化モデリングベンチマークであるLogiORを導入し、標準化されたアノテーションに関するより複雑な問題を解決した。 我々は、プロセスを自動化するチェーンオブ思考推論を通じて、専門家レベルの最適化モデリング原則を活用する新しいフレームワークORThoughtを提案する。
• 参考スコア（独自算出の注目度）: 34.65703521112078
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimization Modeling (OM) is essential for solving complex decision-making problems. However, the process remains time-consuming and error-prone, heavily relying on domain experts. While Large Language Models (LLMs) show promise in addressing these challenges through their natural language understanding and reasoning capabilities, current approaches face three critical limitations: high benchmark labeling error rates reaching up to 42\%, narrow evaluation scope that only considers optimal values, and computational inefficiency due to heavy reliance on multi-agent systems or model fine-tuning. In this work, we first enhance existing datasets through systematic error correction and more comprehensive annotation. Additionally, we introduce LogiOR, a new optimization modeling benchmark from the logistics domain, containing more complex problems with standardized annotations. Furthermore, we present ORThought, a novel framework that leverages expert-level optimization modeling principles through chain-of-thought reasoning to automate the OM process. Through extensive empirical evaluation, we demonstrate that ORThought outperforms existing approaches, including multi-agent frameworks, with particularly significant advantages on complex optimization problems. Finally, we provide a systematic analysis of our method, identifying critical success factors and failure modes, providing valuable insights for future research on LLM-based optimization modeling.
• Abstract（参考訳）: 複雑な意思決定問題を解決するためには最適化モデリング(OM)が不可欠である。 しかし、プロセスは時間とエラーを起こし、ドメインの専門家に大きく依存しています。 大規模言語モデル(LLM)は、これらの課題に自然言語の理解と推論能力を通じて対処する上で有望であるが、現在のアプローチでは、3つの重要な制限に直面している。 本研究では,まず,系統的な誤り訂正とより包括的なアノテーションを通じて既存のデータセットを強化する。 さらに、ロジスティクス領域からの新しい最適化モデリングベンチマークであるLogiORを導入し、標準化されたアノテーションに関するより複雑な問題を含む。 さらに、OMプロセスを自動化するチェーン・オブ・シークレット推論を通じて、専門家レベルの最適化モデリング原則を活用する新しいフレームワークORThoughtを提案する。 経験的評価を通じて、ORThoughtは、特に複雑な最適化問題において、マルチエージェントフレームワークを含む既存のアプローチよりも優れていることを示す。 最後に,本手法を体系的に解析し,重要な成功要因と障害モードを同定し,将来のLCMに基づく最適化モデルの研究に有用な知見を提供する。

関連論文リスト

• AD-FM: Multimodal LLMs for Anomaly Detection via Multi-Stage Reasoning and Fine-Grained Reward Optimization [43.86757207244911]
  2つのシナジスティックな革新を通して制限に対処する包括的フレームワークを提案する。 まず、地域識別から集中検査までモデルをガイドする多段階議論的推論プロセスを導入する。 第2に、分類精度と局所化監督を組み込んだ微粒化報酬機構を開発する。
  論文  参考訳（メタデータ） (2025-08-06T08:00:27Z)
• Reasoning Meets Personalization: Unleashing the Potential of Large Reasoning Model for Personalized Generation [21.89080753903469]
  パーソナライズタスクのための大規模推論モデル(LRM)の最初の体系的評価について述べる。 本分析では, 分散思考, 応答形式の不整合, 検索情報の有効利用の3つの重要な限界を同定した。 階層的推論思考テンプレートを組み込んだ新しいフレームワークであるReinforced Reasoning for Personalization (model)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T07:30:13Z)
• Solver-Informed RL: Grounding Large Language Models for Authentic Optimization Modeling [3.253908111652627]
  大型言語モデル(LLM)は、しばしば幻覚に対する形式的正当で使用可能なモデルを生成するのに苦労する。 本稿では,検証リワードを用いた強化学習を用いた最適化モデルのためのLLMの信頼性を向上する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-17T02:32:03Z)
• A Survey on the Optimization of Large Language Model-based Agents [16.733092886211097]
  大規模言語モデル(LLM)は様々な分野で広く採用されており、自律的な意思決定や対話的なタスクに欠かせないものとなっている。 しかしながら、現在の作業は通常、バニラLLMに適用された迅速な設計や微調整戦略に依存している。 LLMに基づくエージェント最適化手法の総合的なレビューを行い、パラメータ駆動型およびパラメータフリーな手法に分類する。
  論文  参考訳（メタデータ） (2025-03-16T10:09:10Z)
• MR-Ben: A Meta-Reasoning Benchmark for Evaluating System-2 Thinking in LLMs [55.20845457594977]
  大規模言語モデル(LLM)は、問題解決と意思決定の能力の向上を示している。 本稿ではメタ推論技術を必要とするプロセスベースのベンチマークMR-Benを提案する。 メタ推論のパラダイムは,システム2のスロー思考に特に適しています。
  論文  参考訳（メタデータ） (2024-06-20T03:50:23Z)
• InfoRM: Mitigating Reward Hacking in RLHF via Information-Theoretic Reward Modeling [66.3072381478251]
  Reward Hacking(報酬の過度な最適化)は依然として重要な課題だ。 本稿では,報奨モデル,すなわちInfoRMのためのフレームワークを提案する。 InfoRMの過度な最適化検出機構は、有効であるだけでなく、幅広いデータセットにわたって堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-02-14T17:49:07Z)
• Uncertainty-Aware Search Framework for Multi-Objective Bayesian Optimization [40.40632890861706]
  高価な関数評価を用いたマルチオブジェクト(MO)ブラックボックス最適化の問題点を考察する。 UeMOと呼ばれる新しい不確実性対応検索フレームワークを提案し、評価のための入力シーケンスを効率的に選択する。
  論文  参考訳（メタデータ） (2022-04-12T16:50:48Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。