論文の概要: From Performance to Understanding: A Vision for Explainable Automated Algorithm Design
- arxiv url: http://arxiv.org/abs/2511.16201v1
- Date: Thu, 20 Nov 2025 10:08:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-21 17:08:52.56318
- Title: From Performance to Understanding: A Vision for Explainable Automated Algorithm Design
- Title（参考訳）: パフォーマンスから理解へ: 説明可能な自動アルゴリズム設計のビジョン
- Authors: Niki van Stein, Anna V. Kononova, Thomas Bäck,
- Abstract要約: この記事では、次のブレークスルーは、さらなる自動化ではなく、理解と自動化の結合によるものだ、と論じる。
3つの柱上に構築された説明可能な自動アルゴリズム設計のビジョンを概説する。
これらの要素は、発見、説明、一般化が互いに強化される閉知識ループを形成する。
- 参考スコア（独自算出の注目度）: 2.780126715305372
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated algorithm design is entering a new phase: Large Language Models can now generate full optimisation (meta)heuristics, explore vast design spaces and adapt through iterative feedback. Yet this rapid progress is largely performance-driven and opaque. Current LLM-based approaches rarely reveal why a generated algorithm works, which components matter or how design choices relate to underlying problem structures. This paper argues that the next breakthrough will come not from more automation, but from coupling automation with understanding from systematic benchmarking. We outline a vision for explainable automated algorithm design, built on three pillars: (i) LLM-driven discovery of algorithmic variants, (ii) explainable benchmarking that attributes performance to components and hyperparameters and (iii) problem-class descriptors that connect algorithm behaviour to landscape structure. Together, these elements form a closed knowledge loop in which discovery, explanation and generalisation reinforce each other. We argue that this integration will shift the field from blind search to interpretable, class-specific algorithm design, accelerating progress while producing reusable scientific insight into when and why optimisation strategies succeed.
- Abstract（参考訳）: 大規模言語モデルは、完全な最適化(メタ)ヒューリスティックを生成し、広大な設計空間を探索し、反復的なフィードバックを通じて適応することができる。
しかし、この急速な進歩は、主にパフォーマンス駆動で不透明である。
現在のLCMベースのアプローチでは、生成アルゴリズムがなぜ機能するのか、どのコンポーネントが重要なのか、あるいは設計選択が根底にある問題構造とどのように関係しているかをほとんど明らかにしない。
この記事では、次のブレークスルーは、さらなる自動化ではなく、自動化と体系的なベンチマークからの理解の結合によるものだ、と論じる。
3つの柱の上に構築された、説明可能な自動アルゴリズム設計のビジョンを概説する。
i) LLMによるアルゴリズム変種発見
(ii)コンポーネントとハイパーパラメータのパフォーマンスを属性とする説明可能なベンチマーク
(iii)アルゴリズム動作とランドスケープ構造を結合する問題クラス記述子。
これらの要素は、発見、説明、一般化が相互に強化される閉知識ループを形成する。
この統合は、ブラインド検索から解釈可能なクラス固有のアルゴリズム設計に移行し、進歩を加速し、いつ、なぜ最適化戦略が成功するかについて、再利用可能な科学的洞察を生み出します。
関連論文リスト
- Experience-Guided Reflective Co-Evolution of Prompts and Heuristics for Automatic Algorithm Design [124.54166764570972]
組合せ最適化問題は伝統的に手作りのアルゴリズムで取り組まれている。
最近の進歩は、大規模言語モデルによる自動設計の可能性を強調している。
本稿では,自動アルゴリズム設計のためのPmpt and Heuristics (EvoPH) を用いた経験進化的リフレクティブ・ガイドを提案する。
論文 参考訳（メタデータ） (2025-09-29T09:24:09Z) - From Understanding to Excelling: Template-Free Algorithm Design through Structural-Functional Co-Evolution [39.42526347710991]
大規模言語モデル(LLM)はアルゴリズム生成と最適化の自動化を大幅に加速した。
LLMに基づくエンドツーエンドのアルゴリズム生成と最適化フレームワークを提案する。
我々のアプローチは、LLMの深い意味理解を利用して、自然言語の要求や人間による論文をコードソリューションに変換する。
論文 参考訳（メタデータ） (2025-03-13T08:26:18Z) - Designing Algorithms Empowered by Language Models: An Analytical Framework, Case Studies, and Insights [86.06371692309972]
本研究では,大規模言語モデル(LLM)に基づくアルゴリズムの設計と解析のための分析フレームワークを提案する。
提案する枠組みは頭痛を緩和する試みとして機能する。
論文 参考訳（メタデータ） (2024-07-20T07:39:07Z) - From Decoding to Meta-Generation: Inference-time Algorithms for Large Language Models [63.188607839223046]
この調査は、推論中に計算をスケールするメリットに焦点を当てている。
我々はトークンレベルの生成アルゴリズム、メタジェネレーションアルゴリズム、効率的な生成という3つの領域を統一的な数学的定式化の下で探索する。
論文 参考訳（メタデータ） (2024-06-24T17:45:59Z) - LLaMEA: A Large Language Model Evolutionary Algorithm for Automatically Generating Metaheuristics [0.023020018305241332]
本稿では,Large Language Model Evolutionary Algorithm (LLaMEA) フレームワークを紹介する。
一連の基準とタスク定義(検索空間)が与えられた後、LLaMEAは反復的にアルゴリズムを生成し、変更し、選択する。
我々は,このフレームワークを用いて,新しいブラックボックスメタヒューリスティック最適化アルゴリズムを自動生成する方法を示す。
論文 参考訳（メタデータ） (2024-05-30T15:10:59Z) - AutoOpt: A General Framework for Automatically Designing Metaheuristic Optimization Algorithms with Diverse Structures [22.624811044236516]
本稿では,多様な構造を持つメタヒューリスティックアルゴリズムを自動設計するための汎用フレームワークAutoOptを提案する。
メタヒューリスティックファミリーをできるだけ広くカバーするアルゴリズムの一般的なプロトタイプ。
提案したプロトタイプに適合する有向非巡回グラフアルゴリズムの表現。
操作対象のグラフの代替コンパクト形式を提供するグラフ表現埋め込み方法。
論文 参考訳（メタデータ） (2022-04-03T05:31:56Z) - Investigating Bi-Level Optimization for Learning and Vision from a
Unified Perspective: A Survey and Beyond [114.39616146985001]
機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。
本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。
次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
論文 参考訳（メタデータ） (2021-01-27T16:20:23Z) - AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。
汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。
機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文 参考訳（メタデータ） (2020-03-06T19:00:04Z)
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。