論文の概要: RankEvolve: Automating the Discovery of Retrieval Algorithms via LLM-Driven Evolution

• arxiv url: http://arxiv.org/abs/2602.16932v1
• Date: Wed, 18 Feb 2026 22:53:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.502274
• Title: RankEvolve: Automating the Discovery of Retrieval Algorithms via LLM-Driven Evolution
• Title（参考訳）: RankEvolve: LLM駆動進化による検索アルゴリズムの発見を自動化する
• Authors: Jinming Nian, Fangchen Li, Dae Hoon Park, Yi Fang,
• Abstract要約: 評価器と進化的探索によって導かれる大きな言語モデルが、改良された語彙検索アルゴリズムを自動で検出できるかどうかを考察する。 我々はAlphaEvolveをベースとしたプログラム進化機構であるRangeEvolveを紹介し、候補ランキングアルゴリズムを実行可能なコードとして表現する。 この結果から,評価者によるLLMプログラムの進化は,新たなランキングアルゴリズムの自動発見への実践的な道のりであることが示唆された。
• 参考スコア（独自算出の注目度）: 7.022000568626999
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval algorithms like BM25 and query likelihood with Dirichlet smoothing remain strong and efficient first-stage rankers, yet improvements have mostly relied on parameter tuning and human intuition. We investigate whether a large language model, guided by an evaluator and evolutionary search, can automatically discover improved lexical retrieval algorithms. We introduce RankEvolve, a program evolution setup based on AlphaEvolve, in which candidate ranking algorithms are represented as executable code and iteratively mutated, recombined, and selected based on retrieval performance across 12 IR datasets from BEIR and BRIGHT. RankEvolve starts from two seed programs: BM25 and query likelihood with Dirichlet smoothing. The evolved algorithms are novel, effective, and show promising transfer to the full BEIR and BRIGHT benchmarks as well as TREC DL 19 and 20. Our results suggest that evaluator-guided LLM program evolution is a practical path towards automatic discovery of novel ranking algorithms.
• Abstract（参考訳）: BM25のような検索アルゴリズムとディリクレのスムーズ化によるクエリの可能性は、強力な第1段階のランク付けに留まっているが、改善は主にパラメータチューニングと人間の直感に依存している。 評価器と進化的探索によって導かれる大きな言語モデルが、改良された語彙検索アルゴリズムを自動で検出できるかどうかを考察する。 そこで我々は,AlphaEvolve をベースとしたプログラム進化機構である RankEvolve を導入し,候補ランキングアルゴリズムを実行可能なコードとして表現し,BEIR と BRIGHT の 12 個の IR データセットの検索性能に基づいて反復的に変更,組換え,選択する。 RankEvolve は BM25 と Dirichlet smoothing の2つのシードプログラムから始まる。 進化したアルゴリズムは斬新で効果的で、完全なBEIRとBRIGHTベンチマーク、TREC DL 19と20への有望な転送を示す。 この結果から,評価者によるLLMプログラムの進化は,新たなランキングアルゴリズムの自動発見への実践的な道のりであることが示唆された。

関連論文リスト

• Large Language Model-Powered Evolutionary Code Optimization on a Phylogenetic Tree [17.08113692977552]
  PhyloEvolveは、GPU指向のアルゴリズム最適化をIn-Context Reinforcement Learning問題として再設計するシステムである。 本稿では,アルゴリズムの変種間の継承,分岐,組換えを捉える系統木表現を提案する。 我々は、PDEソルバ、多様体学習、スペクトルグラフアルゴリズムを含む科学計算処理のPhyloEvolveを評価する。
  論文  参考訳（メタデータ） (2026-01-20T22:32:52Z)
• REvolution: An Evolutionary Framework for RTL Generation driven by Large Language Models [2.127921199213507]
  LLM(Large Language Models)は、レジスター-トランスファーレベル(RTL)コード生成に使用される。 本稿では,進化計算(EC)とLLMを組み合わせて自動RTL生成と最適化を行うフレームワークであるRevolutionを紹介する。
  論文  参考訳（メタデータ） (2025-10-24T12:50:35Z)
• 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)
• EvoVLMA: Evolutionary Vision-Language Model Adaptation [29.90102572721055]
  本稿では,視覚言語モデル(VLM)のための学習不要な適応アルゴリズムを自動検索する進化型視覚言語モデル適応法を提案する。 トレーニング不要なVLM適応において,特徴選択とロジットが重要な機能であると認識し,これらを逐次最適化するための2段階LLM支援進化アルゴリズムを提案する。 探索プロセスの安定性と効率性を高めるため,低精度コード変換,Webベースのコード実行,プロセス監視を提案する。
  論文  参考訳（メタデータ） (2025-08-03T03:11:01Z)
• AlphaEvolve: A coding agent for scientific and algorithmic discovery [63.13852052551106]
  我々は,最先端LLMの能力を大幅に向上させる進化的符号化エージェントAlphaEvolveを提案する。 AlphaEvolveはLLMの自律パイプラインを編成し、そのタスクはコードを直接変更することでアルゴリズムを改善することである。 本稿では,多くの重要な計算問題に適用することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2025-06-16T06:37:18Z)
• Improving and Benchmarking Offline Reinforcement Learning Algorithms [87.67996706673674]
  この作業は、低レベルの選択とデータセットによって引き起こされるギャップを埋めることを目的としている。 3つの代表アルゴリズムを用いて20の実装選択を実証的に検討する。 CRR+とCQL+の2つの変種がD4RL上で新たな最先端を実現している。
  論文  参考訳（メタデータ） (2023-06-01T17:58:46Z)
• HARRIS: Hybrid Ranking and Regression Forests for Algorithm Selection [75.84584400866254]
  両アプローチの強みを両アプローチの弱さを緩和しつつ組み合わせ, 特殊林を利用した新しいアルゴリズムセレクタを提案する。 HARRISの決定は、ハイブリッドランキングと回帰損失関数に基づいて最適化された木を作成する森林モデルに基づいている。
  論文  参考訳（メタデータ） (2022-10-31T14:06:11Z)
• Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
  本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。 本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
  論文  参考訳（メタデータ） (2021-11-05T02:54:06Z)
• RSO: A Novel Reinforced Swarm Optimization Algorithm for Feature Selection [0.0]
  本稿では,Reinforced Swarm Optimization (RSO) という特徴選択アルゴリズムを提案する。 このアルゴリズムは、広く使われているBee Swarm Optimization (BSO)アルゴリズムとReinforcement Learning (RL)アルゴリズムを組み込んで、優れた検索エージェントの報酬を最大化し、劣悪なエージェントを罰する。 提案手法は、バランスの取れたデータと不均衡なデータの完全なブレンドを含む、広く知られている25のUCIデータセットで評価される。
  論文  参考訳（メタデータ） (2021-07-29T17:38:04Z)

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。