論文の概要: CoS: Towards Optimal Event Scheduling via Chain-of-Scheduling

• arxiv url: http://arxiv.org/abs/2511.12913v1
• Date: Mon, 17 Nov 2025 03:01:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.626669
• Title: CoS: Towards Optimal Event Scheduling via Chain-of-Scheduling
• Title（参考訳）: CoS:Chain-of-Schedulingによるイベントスケジューリングの最適化
• Authors: Yiming Zhao, Jiwei Tang, Shimin Di, Libin Zheng, Jianxing Yu, Jian Yin,
• Abstract要約: 本稿では,大規模言語モデル(LLM)のイベントスケジューリング機能を活性化するChain-of-Scheduling(CoS)フレームワークを提案する。 実験結果から,CoSは実世界の3つのデータセットに対して高い効率でほぼ理論的に最適であることがわかった。
• 参考スコア（独自算出の注目度）: 27.99916005924575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommending event schedules is a key issue in Event-based Social Networks (EBSNs) in order to maintain user activity. An effective recommendation is required to maximize the user's preference, subjecting to both time and geographical constraints. Existing methods face an inherent trade-off among efficiency, effectiveness, and generalization, due to the NP-hard nature of the problem. This paper proposes the Chain-of-Scheduling (CoS) framework, which activates the event scheduling capability of Large Language Models (LLMs) through a guided, efficient scheduling process. CoS enhances LLM by formulating the schedule task into three atomic stages, i.e., exploration, verification and integration. Then we enable the LLMs to generate CoS autonomously via Knowledge Distillation (KD). Experimental results show that CoS achieves near-theoretical optimal effectiveness with high efficiency on three real-world datasets in a interpretable manner. Moreover, it demonstrates strong zero-shot learning ability on out-of-domain data.
• Abstract（参考訳）: イベントスケジュールのリコメンデーションは、ユーザアクティビティを維持するために、イベントベースのソーシャルネットワーク(EBSN)において重要な問題である。 ユーザの好みを最大化するためには、時間的制約と地理的制約の両方を考慮し、効果的なレコメンデーションが必要である。 既存の手法はNPハードの性質のため、効率性、有効性、一般化に固有のトレードオフに直面している。 本稿では,Large Language Models (LLM) のイベントスケジューリング機能を,ガイド付き,効率的なスケジューリングプロセスを通じて活性化するChain-of-Scheduling (CoS) フレームワークを提案する。 CoSはスケジュールタスクを3つのアトミックステージ(探索、検証、統合)に定式化することでLCMを強化する。 次に、LLMが知識蒸留(KD)を介してCoSを自律的に生成できるようにする。 実験結果から,CoSは実世界の3つのデータセットを解釈可能な方法で高効率でほぼ理論的に最適であることを示す。 さらに、ドメイン外のデータに対して強力なゼロショット学習能力を示す。

関連論文リスト

• WebLeaper: Empowering Efficiency and Efficacy in WebAgent via Enabling Info-Rich Seeking [60.35109192765302]
  情報検索は、自律的な推論と意思決定を可能にする中核的な能力である。 我々は、高カバレッジなISタスクを構築し、効率的なソリューショントラジェクトリを生成するためのフレームワークであるWebLeaperを提案する。 本手法は,強いベースラインに対する有効性と効率性の向上を継続的に達成する。
  論文  参考訳（メタデータ） (2025-10-28T17:51:42Z)
• ELHPlan: Efficient Long-Horizon Task Planning for Multi-Agent Collaboration [25.45699736192177]
  大規模言語モデル(LLM)は、インテリジェントなマルチロボットコラボレーションを可能にするが、基本的なトレードオフに直面している。 本稿では,アクションチェーンを導入した新たなフレームワークであるELHPlanを提案する。
  論文  参考訳（メタデータ） (2025-09-29T03:15:56Z)
• MEJO: MLLM-Engaged Surgical Triplet Recognition via Inter- and Intra-Task Joint Optimization [52.149337961205624]
  手術用三重項認識のためのタスク間最適化とタスク内最適化を両立する枠組みを提案する。 タスク間最適化のために、タスク共有およびタスク固有コンポーネントに表現を分解する共有特徴分散学習スキーム(S$2$D)を導入する。 タスク内最適化競合に対して,正負の曖昧さを識別・再バランスするコーディネート・グラディエント・ラーニング(CGL)戦略を開発する。
  論文  参考訳（メタデータ） (2025-09-16T09:48:52Z)
• PRISM: Self-Pruning Intrinsic Selection Method for Training-Free Multimodal Data Selection [68.8373788348678]
  ビジュアルインストラクションチューニングは、事前訓練されたマルチモーダル大言語モデルに人間の指示に従うように適応する。 PRISMは、効率的な視覚的命令選択のための最初のトレーニング不要のフレームワークである。 データ選択とモデルチューニングのエンドツーエンドの時間を従来のパイプラインの30%に短縮する。
  論文  参考訳（メタデータ） (2025-02-17T18:43:41Z)
• Federated Fine-Tuning of LLMs: Framework Comparison and Research Directions [59.5243730853157]
  Federated Learning(FL)は、分散プライベートデータセットを使用して、トレーニング済みの大規模言語モデル(LLM)を微調整するための、プライバシ保護ソリューションを提供する。 本稿では、知識蒸留(KD)とスプリットラーニング(SL)を統合し、これらの問題を緩和する3つの先進的連合LLM(FedLLM)フレームワークの比較分析を行う。
  論文  参考訳（メタデータ） (2025-01-08T11:37:06Z)
• Optima: Optimizing Effectiveness and Efficiency for LLM-Based Multi-Agent System [75.25394449773052]
  大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は協調的問題解決において顕著な可能性を示している。 通信効率の低下、スケーラビリティの低下、効果的なパラメータ更新方法の欠如などです。 本稿では,コミュニケーション効率とタスク効率を両立させ,これらの課題に対処する新しいフレームワークOptimaを提案する。
  論文  参考訳（メタデータ） (2024-10-10T17:00:06Z)
• Spatial Reasoning and Planning for Deep Embodied Agents [2.7195102129095003]
  この論文は空間的推論と計画タスクのためのデータ駆動手法の開発を探求する。 学習効率、解釈可能性、新しいシナリオ間の伝達可能性の向上に重点を置いている。
  論文  参考訳（メタデータ） (2024-09-28T23:05:56Z)
• Efficiently Expanding Receptive Fields: Local Split Attention and Parallel Aggregation for Enhanced Large-scale Point Cloud Semantic Segmentation [7.199090922071512]
  本研究では,複数の局所分割操作を通じて受容領域を効果的に拡張するLSAP機構を提案する。 本研究では,大規模クラウドセマンティックセマンティックセグメンテーションのための新しいフレームワークLSNetを提案する。 LSNetは3つのベンチマークデータセット上の最先端セマンティックセグメンテーションネットワークよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-09-03T07:10:20Z)
• Accelerating Exact Combinatorial Optimization via RL-based Initialization -- A Case Study in Scheduling [1.3053649021965603]
  本研究の目的は、最適化問題に対処する機械学習(ML)を用いた革新的なアプローチを開発することである。 1) 粗粒スケジューラとしての解法, 2) 解緩和, 3) ILPによる正確な解法の3つのステップを含む新しい2段階のRL-to-ILPスケジューリングフレームワークを導入する。 提案フレームワークは, 正確なスケジューリング手法と比較して, 最大128ドルの高速化を実現しつつ, 同一のスケジューリング性能を示す。
  論文  参考訳（メタデータ） (2023-08-19T15:52:43Z)

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。