論文の概要: AdaEvolve: Adaptive LLM Driven Zeroth-Order Optimization

• arxiv url: http://arxiv.org/abs/2602.20133v1
• Date: Mon, 23 Feb 2026 18:45:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.956834
• Title: AdaEvolve: Adaptive LLM Driven Zeroth-Order Optimization
• Title（参考訳）: AdaEvolve: 適応LLM駆動ゼロ階最適化
• Authors: Mert Cemri, Shubham Agrawal, Akshat Gupta, Shu Liu, Audrey Cheng, Qiuyang Mang, Ashwin Naren, Lutfi Eren Erdogan, Koushik Sen, Matei Zaharia, Alex Dimakis, Ion Stoica,
• Abstract要約: 本稿では,LLMによる進化を階層的適応最適化問題として再構成するフレームワークであるAdaEvolveを紹介する。 AdaEvolveは185の異なるオープンエンド最適化問題において、オープンエンドベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 61.535567824938205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The paradigm of automated program generation is shifting from one-shot generation to inference-time search, where Large Language Models (LLMs) function as semantic mutation operators within evolutionary loops. While effective, these systems are currently governed by static schedules that fail to account for the non-stationary dynamics of the search process. This rigidity results in substantial computational waste, as resources are indiscriminately allocated to stagnating populations while promising frontiers remain under-exploited. We introduce AdaEvolve, a framework that reformulates LLM-driven evolution as a hierarchical adaptive optimization problem. AdaEvolve uses an "accumulated improvement signal" to unify decisions across three levels: Local Adaptation, which dynamically modulates the exploration intensity within a population of solution candidates; Global Adaptation, which routes the global resource budget via bandit-based scheduling across different solution candidate populations; and Meta-Guidance which generates novel solution tactics based on the previously generated solutions and their corresponding improvements when the progress stalls. We demonstrate that AdaEvolve consistently outperforms the open-sourced baselines across 185 different open-ended optimization problems including combinatorial, systems optimization and algorithm design problems.
• Abstract（参考訳）: 自動プログラム生成のパラダイムは、ワンショット生成から推論時探索に移行し、大言語モデル(LLM)は進化ループ内の意味突然変異演算子として機能する。 有効ではあるが、これらのシステムは、現在、静的スケジュールによって管理されており、検索プロセスの非定常力学を考慮できない。 この剛性は、資源が停滞する人口に無差別に割り当てられる一方で、フロンティアは未開のままであるので、かなりの計算廃棄物をもたらす。 本稿では,LLMによる進化を階層的適応最適化問題として再構成するフレームワークであるAdaEvolveを紹介する。 AdaEvolveは「累積改善信号」を使用して3段階の意思決定を統一する。ローカル適応(ローカル適応)は、ソリューション候補の集団内の探索強度を動的に調節する。グローバル適応(グローバル適応)は、さまざまなソリューション候補の集団にわたる帯域ベースのスケジューリングを通じて、グローバルリソース予算をルーティングする。 AdaEvolveは、組合せ、システム最適化、アルゴリズム設計問題を含む185の異なる最適化問題に対して、オープンソースベースラインを一貫して上回っていることを実証する。

関連論文リスト

• Discovering Multiagent Learning Algorithms with Large Language Models [8.649235365712004]
  我々は,大規模言語モデルを用いた進化的符号化エージェントであるAlphaEvolveを用いて,新しいマルチエージェント学習アルゴリズムを自動発見する。 ゲーム理論学習の2つの異なるパラダイムのための新しい変種を進化させることにより、この枠組みの一般化を実証する。
  論文  参考訳（メタデータ） (2026-02-18T22:41:00Z)
• PACEvolve: Enabling Long-Horizon Progress-Aware Consistent Evolution [64.15555230987222]
  PACEvolveはエージェントのコンテキストと検索ダイナミクスを堅牢に管理するように設計されたフレームワークである。 PACEvolveは、一貫性のある長期自己改善のための体系的なパスを提供する。
  論文  参考訳（メタデータ） (2026-01-15T18:25:23Z)
• Controlled Self-Evolution for Algorithmic Code Optimization [33.82967000330864]
  自己進化的手法は、反復的な"生成-検証-精細"サイクルを通じてコード生成を強化する。 既存のアプローチでは、限られた予算内で優れた複雑さを持つソリューションを見つけることができません。 本稿では3つのキーコンポーネントからなる制御自己進化(CSE)を提案する。
  論文  参考訳（メタデータ） (2026-01-12T09:23:13Z)
• 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)
• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• Un-evaluated Solutions May Be Valuable in Expensive Optimization [5.6787965501364335]
  本稿では,選択段階における代理モデルによって予測される高品質で未評価なソリューションを取り入れた戦略的アプローチを提案する。 このアプローチは評価された解の分布を改善することを目的としており、それによってより優れた次世代の解を生成する。
  論文  参考訳（メタデータ） (2024-12-05T04:06:30Z)
• Large Language Model-Aided Evolutionary Search for Constrained Multiobjective Optimization [15.476478159958416]
  我々は,制約付き多目的最適化問題に対する進化探索を強化するために,大規模言語モデル(LLM)を用いる。 私たちの目標は、進化の集団の収束を早めることです。
  論文  参考訳（メタデータ） (2024-05-09T13:44:04Z)
• EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm for Constrained Global Optimization [68.8204255655161]
  EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。 これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。 その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
  論文  参考訳（メタデータ） (2020-07-09T10:19:22Z)

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。