論文の概要: Structure-Aware Cooperative Ensemble Evolutionary Optimization on Combinatorial Problems with Multimodal Large Language Models

• arxiv url: http://arxiv.org/abs/2510.21906v1
• Date: Fri, 24 Oct 2025 16:37:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.701456
• Title: Structure-Aware Cooperative Ensemble Evolutionary Optimization on Combinatorial Problems with Multimodal Large Language Models
• Title（参考訳）: マルチモーダル大言語モデルを用いた組合せ問題における構造認識協調型進化最適化
• Authors: Jie Zhao, Kang Hao Cheong,
• Abstract要約: 本研究では,マルチモーダル大言語モデル(MLLM)を進化演算子として用いて,グラフデータに対する構造認識最適化を容易にする。 大規模ネットワークビジュアライゼーションに固有の視覚的クラッタに対処するために,グラフスペーシフィケーション手法を用いて構造を単純化する。 提案手法はMLLM駆動の進化最適化におけるソリューションの品質と信頼性を両立させる。
• 参考スコア（独自算出の注目度）: 7.983341161975621
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evolutionary algorithms (EAs) have proven effective in exploring the vast solution spaces typical of graph-structured combinatorial problems. However, traditional encoding schemes, such as binary or numerical representations, often fail to straightforwardly capture the intricate structural properties of networks. Through employing the image-based encoding to preserve topological context, this study utilizes multimodal large language models (MLLMs) as evolutionary operators to facilitate structure-aware optimization over graph data. To address the visual clutter inherent in large-scale network visualizations, we leverage graph sparsification techniques to simplify structures while maintaining essential structural features. To further improve robustness and mitigate bias from different sparsification views, we propose a cooperative evolutionary optimization framework that facilitates cross-domain knowledge transfer and unifies multiple sparsified variants of diverse structures. Additionally, recognizing the sensitivity of MLLMs to network layout, we introduce an ensemble strategy that aggregates outputs from various layout configurations through consensus voting. Finally, experiments on real-world networks through various tasks demonstrate that our approach improves both the quality and reliability of solutions in MLLM-driven evolutionary optimization.
• Abstract（参考訳）: 進化的アルゴリズム(EA)はグラフ構造化組合せ問題に典型的な広大な解空間を探索するのに有効であることが証明されている。 しかしながら、バイナリや数値表現のような伝統的な符号化方式は、しばしばネットワークの複雑な構造的特性を正確に捉えることに失敗する。 トポロジカル・コンテクストの保存に画像に基づく符号化を用いることにより,マルチモーダル・大規模言語モデル(MLLM)を進化的演算子として利用し,グラフデータに対する構造認識の最適化を容易にする。 大規模ネットワークビジュアライゼーションに固有の視覚的クラッタに対処するために,我々は,グラフスペーシフィケーション手法を活用して構造を簡素化し,重要な構造的特徴を維持した。 異なるスペーシフィケーション視点から頑健性を改善し,バイアスを軽減するために,クロスドメインな知識伝達を容易にし,多様構造の複数のスペーシフィケーション変異を統一する協調的進化最適化フレームワークを提案する。 さらに、MLLMのネットワークレイアウトに対する感受性を認識し、コンセンサス投票を通じて様々なレイアウト構成から出力を集約するアンサンブル戦略を導入する。 最後に,様々なタスクによる実世界のネットワーク実験により,MLLMによる進化的最適化におけるソリューションの品質と信頼性の向上が示された。

関連論文リスト

• GCRPNet: Graph-Enhanced Contextual and Regional Perception Network for Salient Object Detection in Optical Remote Sensing Images [68.33481681452675]
  本稿では,GCRPNet(Graph-enhanced contextual and Regional Recognition Network)を提案する。 これはMambaアーキテクチャの上に構築され、長距離依存関係を同時にキャプチャし、地域的特徴表現を強化する。 マルチスケールの畳み込みによって処理される特徴マップに対して適応的なパッチスキャンを行い、リッチなローカル領域情報をキャプチャする。
  論文  参考訳（メタデータ） (2025-08-14T11:31:43Z)
• Visual Evolutionary Optimization on Graph-Structured Combinatorial Problems with MLLMs: A Case Study of Influence Maximization [7.983341161975621]
  複雑なネットワークにおけるグラフ構造問題は、多くの領域で広く使われており、計算的に要求されている。 伝統的な進化的アルゴリズム(EA)は、制限の制限と構造的認識の欠如によって障害に直面している。 マルチモーダル大言語モデル(MLLM)を利用した視覚的進化最適化(VEO)という独自のフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-05-11T05:23:02Z)
• Bridging Visualization and Optimization: Multimodal Large Language Models on Graph-Structured Combinatorial Optimization [56.17811386955609]
  グラフ構造上の課題は、その非線形で複雑な性質のために本質的に困難である。 本研究では,高次構造的特徴を正確に保存するために,グラフを画像に変換する手法を提案する。 マルチモーダルな大規模言語モデルと単純な検索手法を組み合わせた革新的なパラダイムを生かし、新しい効果的なフレームワークを開発することを目指す。
  論文  参考訳（メタデータ） (2025-01-21T08:28:10Z)
• Multidomain Evolutionary Optimization on Combinatorial Problems in Complex Networks [28.31042708150456]
  マルチドメイン進化最適化(MDEO)という新しいフレームワークを提案する。 本稿では,ドメイン間の知識伝達を管理するために,コミュニティレベルのグラフ類似度の測定手法を提案する。 グラフ学習に基づくネットワークアライメントモデルを構築し、異なるドメイン間でソリューションを効果的に転送するコンジットとして機能する。
  論文  参考訳（メタデータ） (2024-06-21T04:53:39Z)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)
• Dynamic Hierarchical Mimicking Towards Consistent Optimization Objectives [73.15276998621582]
  一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。 DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。 カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
  論文  参考訳（メタデータ） (2020-03-24T09:56:13Z)

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。