論文の概要: LLM-Driven Composite Neural Architecture Search for Multi-Source RL State Encoding

• arxiv url: http://arxiv.org/abs/2512.06982v2
• Date: Thu, 11 Dec 2025 18:52:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 14:11:15.182215
• Title: LLM-Driven Composite Neural Architecture Search for Multi-Source RL State Encoding
• Title（参考訳）: マルチソースRL状態符号化のためのLLM駆動複合ニューラルネットワーク探索
• Authors: Yu Yu, Qian Xie, Nairen Cao, Li Jin,
• Abstract要約: 複数の情報ソースによる強化学習のための状態エンコーダの設計は未検討であり、しばしば手動設計を必要とする。 我々は、複数のソース固有のモジュールと融合モジュールを共同で最適化する複合ニューラルネットワーク探索(NAS)の課題として、この課題を定式化する。 本稿では,LLMが言語モデル先行と中間出力信号を利用するニューラルネットワーク設計エージェントとして機能するLSM駆動NASパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 6.576358106930216
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing state encoders for reinforcement learning (RL) with multiple information sources -- such as sensor measurements, time-series signals, image observations, and textual instructions -- remains underexplored and often requires manual design. We formalize this challenge as a problem of composite neural architecture search (NAS), where multiple source-specific modules and a fusion module are jointly optimized. Existing NAS methods overlook useful side information from the intermediate outputs of these modules -- such as their representation quality -- limiting sample efficiency in multi-source RL settings. To address this, we propose an LLM-driven NAS pipeline in which the LLM serves as a neural architecture design agent, leveraging language-model priors and intermediate-output signals to guide sample-efficient search for high-performing composite state encoders. On a mixed-autonomy traffic control task, our approach discovers higher-performing architectures with fewer candidate evaluations than traditional NAS baselines and the LLM-based GENIUS framework.
• Abstract（参考訳）: センサ計測、時系列信号、画像観察、テキスト命令など、複数の情報ソースを持つ強化学習(RL)のための状態エンコーダの設計は未熟であり、手動設計を必要とすることが多い。 我々は、複数のソース固有のモジュールと融合モジュールを共同で最適化する複合ニューラルネットワーク探索(NAS)の課題として、この課題を定式化する。 既存のNASメソッドは、これらのモジュールの中間出力(表現品質など)から有用な側情報を見落とし、マルチソースRL設定でのサンプル効率を制限します。 そこで本研究では,LLMがニューラルアーキテクチャ設計エージェントとして機能するLCM駆動NASパイプラインを提案する。 混合自律性トラヒック制御タスクでは,従来のNASベースラインやLLMベースのGENIUSフレームワークよりも高い性能を期待できるアーキテクチャを探索する。

関連論文リスト

• LM-Searcher: Cross-domain Neural Architecture Search with LLMs via Unified Numerical Encoding [55.5535016040221]
  LM-Searcherは、クロスドメインニューラルネットワーク最適化のための新しいフレームワークである。 我々のアプローチの中心は、ニューラルネットワークのための普遍的な数値文字列表現であるNCodeである。 我々のデータセットは、幅広いアーキテクチャとパフォーマンスのペアを含み、堅牢で伝達可能な学習を促進する。
  論文  参考訳（メタデータ） (2025-09-06T09:26:39Z)
• RTLRepoCoder: Repository-Level RTL Code Completion through the Combination of Fine-Tuning and Retrieval Augmentation [6.428086269916113]
  RTLRepoCoderは,レポジトリレベルのVerilogコード補完のために,特定の微調整および検索型拡張生成(RAG)を組み込んだ画期的なソリューションである。 提案手法は,GPT-4 および高度なドメイン固有 LLM の編集類似性および実行一致率を大幅に上回る,公開ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-04-11T09:04:50Z)
• CoMMIT: Coordinated Multimodal Instruction Tuning [90.1532838391285]
  マルチモーダル大言語モデル(MLLM)は一般に、バックボーンLLMと非テキスト入力モードの特徴エンコーダ間の協調学習を含む。 本稿では,MLLM命令のチューニングを理論的・経験的両面から解析する。 本稿では,学習のバランスを定量的に測定できるマルチモーダルバランス係数を提案する。
  論文  参考訳（メタデータ） (2024-07-29T23:18:55Z)
• LLMatic: Neural Architecture Search via Large Language Models and Quality Diversity Optimization [4.951599300340954]
  大きな言語モデル(LLM)は、幅広いタスクをこなせる強力なツールとして登場した。 本稿では、LLMの符号化機能を用いて、ニューラルネットワークを定義するコードに意味のあるバリエーションを導入することを提案する。 本稿では,LLMのコード生成能力とQDソリューションの多様性と堅牢性を融合させることで,ニューラルネットワーク探索(NAS)アルゴリズムであるtextttLLMaticを導入する。
  論文  参考訳（メタデータ） (2023-06-01T19:33:21Z)
• NAS-Count: Counting-by-Density with Neural Architecture Search [74.92941571724525]
  ニューラルアーキテクチャサーチ(NAS)を用いたカウントモデルの設計を自動化する エンド・ツー・エンドの検索エンコーダ・デコーダアーキテクチャであるAutomatic Multi-Scale Network(AMSNet)を導入する。
  論文  参考訳（メタデータ） (2020-02-29T09:18:17Z)

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。