論文の概要: LAPPI: Interactive Optimization with LLM-Assisted Preference-Based Problem Instantiation
- arxiv url: http://arxiv.org/abs/2512.14138v1
- Date: Tue, 16 Dec 2025 06:43:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-17 16:49:26.617443
- Title: LAPPI: Interactive Optimization with LLM-Assisted Preference-Based Problem Instantiation
- Title（参考訳）: LAPPI: LLM-Assisted Preference-based Problem Instantiationによる対話型最適化
- Authors: So Kuroki, Manami Nakagawa, Shigeo Yoshida, Yuki Koyama, Kozuno Tadashi,
- Abstract要約: LAPPI (LLM-Assisted Preference-based Problem Instantiation) は,大規模言語モデル(LLM)を用いてユーザを支援する対話型アプローチである。
旅行計画のユーザスタディにおいて,提案手法はユーザの嗜好を把握し,従来の手法と迅速な手法の両方に勝る実現可能な計画を生成する。
- 参考スコア（独自算出の注目度）: 6.8772471411888425
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many real-world tasks, such as trip planning or meal planning, can be formulated as combinatorial optimization problems. However, using optimization solvers is difficult for end users because it requires problem instantiation: defining candidate items, assigning preference scores, and specifying constraints. We introduce LAPPI (LLM-Assisted Preference-based Problem Instantiation), an interactive approach that uses large language models (LLMs) to support users in this instantiation process. Through natural language conversations, the system helps users transform vague preferences into well-defined optimization problems. These instantiated problems are then passed to existing optimization solvers to generate solutions. In a user study on trip planning, our method successfully captured user preferences and generated feasible plans that outperformed both conventional and prompt-engineering approaches. We further demonstrate LAPPI's versatility by adapting it to an additional use case.
- Abstract（参考訳）: 旅行計画や食事計画といった現実世界の多くのタスクは、組合せ最適化問題として定式化することができる。
しかし、最適化ソルバの使用は、候補項目の定義、選好スコアの割り当て、制約の指定など、問題のインスタンス化を必要とするため、エンドユーザにとって難しい。
LAPPI (LLM-Assisted Preference-based Problem Instantiation) は,大規模言語モデル(LLM)を用いてユーザを支援する対話型アプローチである。
自然言語の会話を通じて、不明瞭な好みを適切に定義された最適化問題に変換するのに役立つ。
これらのインスタンス化問題を既存の最適化解法に渡して解を生成する。
旅行計画のユーザスタディにおいて,提案手法はユーザの嗜好を把握し,従来の手法と迅速な手法の両方に勝る実現可能な計画を生成する。
さらに、LAPPIの汎用性を、追加のユースケースに適応させることで、さらに実証します。
関連論文リスト
- From Natural Language to Solver-Ready Power System Optimization: An LLM-Assisted, Validation-in-the-Loop Framework [1.7136832159667206]
本稿では,Large Language Models (LLMs) を用いたエージェントを導入し,電力系統最適化シナリオの自然言語記述を,コンパクトで解決可能な定式化に自動変換する。
提案手法は,オフザシェルフ最適化解法により効率よく解ける数学的に互換性のある定式化の発見に重点を置いている。
論文 参考訳（メタデータ） (2025-08-11T16:22:57Z) - Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。
本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。
提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
論文 参考訳（メタデータ） (2024-11-04T15:17:19Z) - Learning Joint Models of Prediction and Optimization [56.04498536842065]
Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
論文 参考訳（メタデータ） (2024-09-07T19:52:14Z) - Solving General Natural-Language-Description Optimization Problems with Large Language Models [34.50671063271608]
外部ソルバでLLMを増強するOPtLLMという新しいフレームワークを提案する。
OptLLMは自然言語でユーザクエリを受け付け、それらを数学的定式化やプログラミングコードに変換し、解決者を呼び出して結果を計算する。
OptLLMフレームワークのいくつかの機能は、2023年6月から試用されている。
論文 参考訳（メタデータ） (2024-07-09T07:11:10Z) - Large Language Models as Optimizers [106.52386531624532]
本稿では,大規模言語モデル (LLM) をプロンプトとして活用するためのシンプルで効果的な手法である Prompting (OPRO) を提案する。
各最適化ステップにおいて、LLMは、前述した値を含むプロンプトから新しい解を生成する。
OPROにより最適化された最良のプロンプトは、GSM8Kで最大8%、Big-Bench Hardタスクで最大50%向上することを示した。
論文 参考訳（メタデータ） (2023-09-07T00:07:15Z) - pysamoo: Surrogate-Assisted Multi-Objective Optimization in Python [7.8140593450932965]
pysamooは計算コストの高い最適化問題を解決するためのフレームワークである。
pysamooは、時間を要する評価機能に関わる問題に対処する複数の最適化方法を提供する。
pysamooの詳細については、Anyoptimization.com/projects/pysamooを参照してほしい。
論文 参考訳（メタデータ） (2022-04-12T14:55:57Z)
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。