論文の概要: OptiTree: Hierarchical Thoughts Generation with Tree Search for LLM Optimization Modeling

• arxiv url: http://arxiv.org/abs/2510.22192v1
• Date: Sat, 25 Oct 2025 07:19:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.906459
• Title: OptiTree: Hierarchical Thoughts Generation with Tree Search for LLM Optimization Modeling
• Title（参考訳）: OptiTree: LLM最適化モデリングのための木探索による階層的思考生成
• Authors: Haoyang Liu, Jie Wang, Yuyang Cai, Xiongwei Han, Yufei Kuang, Jianye Hao,
• Abstract要約: 本稿では,複雑な問題に対するモデリング機能の向上を目的とした新しい木探索手法OptiTreeを紹介する。 具体的には、その階層的な問題分類と複雑性に基づいて、幅広いOR問題を整理するモデリングツリーを開発する。 実験の結果、OptiTreeは最先端のベンチマークに比べてモデリング精度が大幅に向上し、挑戦的なベンチマークで10%以上の改善が達成された。
• 参考スコア（独自算出の注目度）: 47.32196527450413
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimization modeling is one of the most crucial but technical parts of operations research (OR). To automate the modeling process, existing works have leveraged large language models (LLMs), prompting them to break down tasks into steps for generating variables, constraints, and objectives. However, due to the highly complex mathematical structures inherent in OR problems, standard fixed-step decomposition often fails to achieve high performance. To address this challenge, we introduce OptiTree, a novel tree search approach designed to enhance modeling capabilities for complex problems through adaptive problem decomposition into simpler subproblems. Specifically, we develop a modeling tree that organizes a wide range of OR problems based on their hierarchical problem taxonomy and complexity, with each node representing a problem category and containing relevant high-level modeling thoughts. Given a problem to model, we recurrently search the tree to identify a series of simpler subproblems and synthesize the global modeling thoughts by adaptively integrating the hierarchical thoughts. Experiments show that OptiTree significantly improves the modeling accuracy compared to the state-of-the-art, achieving over 10\% improvements on the challenging benchmarks. The code is released at https://github.com/MIRALab-USTC/OptiTree/tree/main.
• Abstract（参考訳）: 最適化モデリングは、オペレーティング・リサーチ(OR)の最も重要だが技術的な部分の1つである。 モデリングプロセスを自動化するために、既存の作業は大きな言語モデル(LLM)を活用し、タスクを変数、制約、目的物を生成するステップに分割する。 しかし、OR問題に固有の非常に複雑な数学的構造のため、標準的な固定ステップ分解は高い性能を達成することができないことが多い。 この課題に対処するために, OptiTreeという木探索手法を導入し, 適応問題分解による複雑な問題に対するモデリング機能の向上を図り, より単純なサブプロブレムに分解する。 具体的には、各ノードが問題カテゴリを表し、関連する高レベルなモデリング思考を含む階層的な問題分類と複雑性に基づいて、幅広いOR問題を整理するモデリングツリーを開発する。 モデルに問題があった場合、木を探索して一連の単純なサブプロブレムを同定し、階層的思考を適応的に統合することでグローバルなモデリング思考を合成する。 実験の結果、OptiTreeは最先端のベンチマークに比べてモデリング精度が大幅に向上し、挑戦的なベンチマークでは10倍以上の改善が達成された。 コードはhttps://github.com/MIRALab-USTC/OptiTree/tree/mainで公開されている。

関連論文リスト

• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• Optimal Decision Tree Pruning Revisited: Algorithms and Complexity [22.57063332430197]
  我々は,サブツリーの更新と育成の基本的な作業に焦点をあてる。 サブツリー置換に間に合うように最適プルーニングを行うことができるが、サブツリーの更新にはNP完全である。 例えば、サブツリーの上昇は小さなドメインサイズでは難しいが、$D2d cdot |I|O(1)$timeでは、$|I|$が入力サイズである。
  論文  参考訳（メタデータ） (2025-03-05T15:02:46Z)
• BPP-Search: Enhancing Tree of Thought Reasoning for Mathematical Modeling Problem Solving [11.596474985695679]
  我々は、完全な数学的モデリングプロセスをキャプチャする包括的ラベルを付したStructuredORデータセットをリリースする。 本稿では,強化学習をツリー・オブ・シント構造に統合するアルゴリズムであるBPP-Searchを提案する。
  論文  参考訳（メタデータ） (2024-11-26T13:05:53Z)
• GrootVL: Tree Topology is All You Need in State Space Model [66.36757400689281]
  GrootVLは、視覚的タスクとテキストタスクの両方に適用できる多目的マルチモーダルフレームワークである。 本手法は, 画像分類, オブジェクト検出, セグメンテーションにおいて, 既存の構造化状態空間モデルよりも大幅に優れる。 大規模言語モデルの微調整により,本手法は訓練コストの少ない複数のテキストタスクにおいて一貫した改善を実現する。
  論文  参考訳（メタデータ） (2024-06-04T15:09:29Z)
• NeuroPrim: An Attention-based Model for Solving NP-hard Spanning Tree Problems [0.0]
  我々は,グラフ上の一般的な最適化問題に対して,決定過程(MDP)を定義することによって,様々な木にまたがる問題を解く新しいフレームワークであるNeuroPrimを提案する。 この枠組みをユークリッド空間上の3つの難しい問題に適用する: Degree-constrained Minimum Spanning Tree (DCMST) 問題、最小コストスパンニングツリー (MRCST) 問題、ルーティンググラフ (STP) におけるスタイナーツリー問題。
  論文  参考訳（メタデータ） (2022-10-22T13:49:29Z)
• A Bi-Level Framework for Learning to Solve Combinatorial Optimization on Graphs [91.07247251502564]
  本稿では,2つの世界の長所を結合するハイブリッドな手法を提案する。この手法では,グラフを最適化する上層学習手法とバイレベルフレームワークを開発する。 このような二段階のアプローチは、元のハードCOでの学習を単純化し、モデルキャパシティの需要を効果的に軽減することができる。
  論文  参考訳（メタデータ） (2021-06-09T09:18:18Z)
• High-Dimensional Bayesian Optimization via Tree-Structured Additive Models [40.497123136157946]
  変数の重複部分集合を持つ低次元関数を合成して高次元目標関数をモデル化する一般化加法モデルを検討する。 私たちの目標は、必要な計算リソースを減らし、より高速なモデル学習を促進することです。 我々は,合成関数と実世界のデータセットに関する様々な実験を通して,本手法の有効性を実証し,議論する。
  論文  参考訳（メタデータ） (2020-12-24T03:56:44Z)
• MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
  動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。 当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
  論文  参考訳（メタデータ） (2020-07-24T17:06:55Z)
• ENTMOOT: A Framework for Optimization over Ensemble Tree Models [57.98561336670884]
  ENTMOOTは、ツリーモデルをより大きな最適化問題に統合するためのフレームワークである。 ENTMOOTは、ツリーモデルの意思決定とブラックボックス最適化への単純な統合を可能にしていることを示す。
  論文  参考訳（メタデータ） (2020-03-10T14:34:07Z)

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。