Fugu-MT 論文翻訳(概要): EvoX: Meta-Evolution for Automated Discovery

論文の概要: EvoX: Meta-Evolution for Automated Discovery

arxiv url: http://arxiv.org/abs/2602.23413v1
Date: Thu, 26 Feb 2026 18:54:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-02 19:48:24.091761
Title: EvoX: Meta-Evolution for Automated Discovery
Title（参考訳）: EvoX: 自動発見のためのメタ進化
Abstract要約: EvoXは、独自の進化過程を最適化する適応進化法である。進捗に応じて、事前のソリューションが選択され、どのように変化するかを継続的に更新する。 AlphaEvolve, OpenEvolve, GEPA, ShinkaEvolveなどの既存のAI駆動の進化的手法を、タスクの大部分で上回っている。
参考スコア（独自算出の注目度）: 115.89434419482797
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent work such as AlphaEvolve has shown that combining LLM-driven optimization with evolutionary search can effectively improve programs, prompts, and algorithms across domains. In this paradigm, previously evaluated solutions are reused to guide the model toward new candidate solutions. Crucially, the effectiveness of this evolution process depends on the search strategy: how prior solutions are selected and varied to generate new candidates. However, most existing methods rely on fixed search strategies with predefined knobs (e.g., explore-exploit ratios) that remain static throughout execution. While effective in some settings, these approaches often fail to adapt across tasks, or even within the same task as the search space changes over time. We introduce EvoX, an adaptive evolution method that optimizes its own evolution process. EvoX jointly evolves candidate solutions and the search strategies used to generate them, continuously updating how prior solutions are selected and varied based on progress. This enables the system to dynamically shift between different search strategies during the optimization process. Across nearly 200 real-world optimization tasks, EvoX outperforms existing AI-driven evolutionary methods including AlphaEvolve, OpenEvolve, GEPA, and ShinkaEvolve on the majority of tasks.
Abstract（参考訳）: AlphaEvolveのような最近の研究は、LLMによる最適化と進化的探索を組み合わせることで、ドメイン間のプログラム、プロンプト、アルゴリズムを効果的に改善できることを示した。このパラダイムでは、事前評価されたソリューションが再利用され、新しい候補ソリューションに向けたモデルが導かれる。重要な点として、この進化過程の有効性は探索戦略に依存している。しかし、既存のほとんどの手法は、実行中は静的なクノブ(例えば探索-探索比)で固定された検索戦略に依存している。いくつかの設定では有効だが、これらのアプローチはタスク全体、あるいは時間とともに検索空間が変化するのと同じタスク内でも適応できないことが多い。適応的進化法であるEvoXを導入し,その進化過程を最適化する。 EvoXは、候補解とそれらを生成するために使用される探索戦略を共同で進化させ、先行解がどのように選択され、進捗に応じて変化するかを継続的に更新する。これにより、最適化プロセス中に異なる検索戦略を動的に切り替えることができる。約200の現実世界の最適化タスクにおいて、EvoXは、AlphaEvolve、OpenEvolve、GEPA、S ShinkaEvolveなど、既存のAI駆動の進化的手法を上回っている。

関連論文リスト

Self-Evolving Memory for Generative Recommendation [100.15207958893029]
生成的レコメンデーションは、パーソナライズされたレコメンデーションのための有望なエンドツーエンドパラダイムとして登場した。継続的再訓練や蒸留に基づく適応といった既存の進化戦略は、共有モデルパラメータを直接更新する。本稿では,異種行動パターン間の効果的な進化を実現することを目的とした,自己進化型メモリパラダイムを提案する。
論文参考訳（メタデータ） (2026-09-14T14:00:38Z)
EvoMem: Memory-Augmented Evolution for Code Optimization [7.069994048454947]
進化的プログラム探索のための永続的メモリアーキテクチャであるEvoMemを紹介する。 EvoMemは、成功した突然変異イベントを将来の実行のための構造化されたタスク対応アドバイスに変換する。実験の結果,最も評価の高い設定に対して,目標値や検索速度の平均的な改善が認められた。
論文参考訳（メタデータ） (2026-08-11T11:03:32Z)
GeM-EA: A Generative and Meta-learning Enhanced Evolutionary Algorithm for Streaming Data-Driven Optimization [17.389105051345698]
ストリーミングデータ駆動最適化(SDDO)の問題は、データが継続的に到着し、最適化環境が時間とともに進化する多くのアプリケーションで発生します。 SDDOのための生成・メタラーニング拡張進化アルゴリズムであるGeM-EAを提案する。ベンチマークSDDO問題に対する実験結果から,GeM-EAは最先端手法に比べて適応が早く,ロバスト性も向上することが示された。
論文参考訳（メタデータ） (2026-04-14T06:18:54Z)
AdaEvolve: Adaptive LLM Driven Zeroth-Order Optimization [61.535567824938205]
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。
論文参考訳（メタデータ） (2026-02-23T18:45:31Z)
K-Search: LLM Kernel Generation via Co-Evolving Intrinsic World Model [57.440609834690385]
既存のアプローチでは、進化ループ内の高速コードジェネレータとして、LLM(Large Language Models)を扱います。我々は,共進化的世界モデルによる検索を提案し,この手法に基づいてK-Searchを構築する。 GQA, MLA, MoE カーネルを含む多種多様な複雑なカーネル上で K-Search を評価する。
論文参考訳（メタデータ） (2026-02-22T11:06:22Z)
Detect and Act: Automated Dynamic Optimizer through Meta-Black-Box Optimization [19.31451943915537]
本稿では,進化アルゴリズムにおける自動変分検出と自己適応を実現するための強化学習支援手法を提案する。本手法は, 自動環境変動検出と自己適応により, 未知のDOPに対して一般化することができる。
論文参考訳（メタデータ） (2026-01-30T04:28:27Z)
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)
Beyond Algorithm Evolution: An LLM-Driven Framework for the Co-Evolution of Swarm Intelligence Optimization Algorithms and Prompts [2.7320188728052064]
本稿では,Swarmインテリジェンスアルゴリズムと誘導プロンプトの協調進化のための新しいフレームワークを提案する。このフレームワークはNP問題に対して厳格に評価され、優れた性能を示した。我々の研究は群知能最適化アルゴリズムの新しいパラダイムを確立し、即時進化の必然的な役割を浮き彫りにする。
論文参考訳（メタデータ） (2025-12-10T00:37:16Z)
Socio-cognitive agent-oriented evolutionary algorithm with trust-based optimization [70.49434432747293]
信頼に基づく最適化(TBO)は、従来の周期的移行を信頼や評価に基づく柔軟なエージェント駆動の相互作用メカニズムに置き換える進化計算における島モデルの新たな拡張である。実験の結果、TBOは様々な最適化問題において標準島モデル進化アルゴリズムよりも優れていた。
論文参考訳（メタデータ） (2025-10-29T01:59:26Z)
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)
An Efficient Reconstructed Differential Evolution Variant by Some of the Current State-of-the-art Strategies for Solving Single Objective Bound Constrained Problems [5.095287502726488]
本稿では,再構成微分進化 (Restructed differential evolution, RDE) と呼ばれる戦略再結合および再構成微分進化アルゴリズムを提案する。 2024年のIEEE Congress on Evolutionary Computationのベンチマークスイートに基づいて、RDEや他の先進的な微分進化変種を試験した。
論文参考訳（メタデータ） (2024-04-25T01:48:44Z)
AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
論文参考訳（メタデータ） (2020-10-05T16:40:38Z)

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。