論文の概要: Early Discoveries of Algorithmist I: Promise of Provable Algorithm Synthesis at Scale

• arxiv url: http://arxiv.org/abs/2603.22363v1
• Date: Mon, 23 Mar 2026 04:06:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.09778
• Title: Early Discoveries of Algorithmist I: Promise of Provable Algorithm Synthesis at Scale
• Title（参考訳）: アルゴリズム研究者の早期発見 I: スケールでの確率的アルゴリズム合成の約束
• Authors: Janardhan Kulkarni,
• Abstract要約: Algorithmistは、GitHub Copilot上の自律的な研究者エージェントである。 プライベートデータ分析およびクラスタリングにおける研究レベルのタスクについて評価する。 結果は,LLMシステムが各データセットやデプロイメント設定に合わせて,研究論文品質のアルゴリズムアーティファクトを生成する新たなパラダイムを提案する。
• 参考スコア（独自算出の注目度）: 9.349595533902479
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing algorithms with provable guarantees that also work well in practice remains difficult, requiring both mathematical reasoning and careful implementation. Existing approaches that bridge worst-case theory and empirical performance, such as beyond-worst-case analysis and data-driven algorithm selection, typically assume prior distributional knowledge or restrict attention to a fixed pool of algorithms. Recent progress in LLMs suggests a new possibility: provable algorithm synthesis on the fly. To study this, we built Algorithmist, an autonomous researcher agent on top of GitHub Copilot that runs a multi-agent research-and-review loop, with separate stages for idea generation, algorithm and proof development, proof-guided implementation, and review of proofs, code, and their alignment. We evaluate Algorithmist on research-level tasks in private data analysis and clustering. When asked to design practical methods that jointly satisfy privacy, approximation, and interpretability requirements, it produced provably sound and empirically effective algorithms, together with research-style writeups and audited implementations. It also found improved algorithms in some settings, explained principled barriers in others, and uncovered a subtle proof bug in prior published work. More broadly, our results suggest a new paradigm in which LLM systems generate research-paper-quality algorithmic artifacts tailored to each dataset and deployment setting. They also point to a proof-first code-synthesis paradigm, in which code is developed alongside a structured natural-language proof intermediate representation and kept aligned with it throughout synthesis.
• Abstract（参考訳）: 証明可能な保証を持つアルゴリズムの設計は、数学的推論と慎重に実装する必要があるため、実際もうまく機能する。 最悪のケース理論と経験的パフォーマンスを橋渡しする既存のアプローチ(例えば、極度のケース分析やデータ駆動アルゴリズムの選択)は、通常、事前の分布的知識を前提とするか、アルゴリズムの固定プールに注意を向ける。 LLMの最近の進歩は、証明可能なアルゴリズム合成をオンザフライで行うという新しい可能性を示している。 これを研究するために、GitHub Copilot上に、アイデア生成、アルゴリズムと証明開発、証明誘導実装、証明、コード、それらのアライメントの別々のステージを備えた、マルチエージェントの研究開発レビューループを実行する、自律的な研究者エージェントであるProgentistを構築しました。 我々は、プライベートデータ分析およびクラスタリングにおける研究レベルのタスクについて、アルゴリズムについて評価する。 プライバシー、近似、解釈可能性の要件を共同で満たす実用的な手法を設計するよう依頼されると、研究スタイルの書き直しや監査済みの実装とともに、証明可能な健全で経験的なアルゴリズムが生み出された。 また、いくつかの設定で改良されたアルゴリズムを発見し、他の設定で原則化された障壁を説明し、以前の公開作業で微妙な証明バグを発見した。 より広範に研究結果は、LLMシステムが各データセットとデプロイメント設定に合わせて研究論文品質のアルゴリズムアーティファクトを生成する新しいパラダイムを示唆している。 彼らはまた、コードを構造化された自然言語の証明中間表現と共に開発し、合成を通してそれと整合性を保つ、証明ファーストなコード合成パラダイムも指している。

関連論文リスト

• Can LLMs Prove Robotic Path Planning Optimality? A Benchmark for Research-Level Algorithm Verification [5.637461397736495]
  本稿では,ロボット経路計画アルゴリズムの近似比証明について,LLM(Large Language Models)を評価するための最初のベンチマークを紹介する。 我々の評価では、最強のモデルでさえ、外部のドメイン知識なしで完全に有効な証明を作成するのに苦労していることが明らかになっている。
  論文  参考訳（メタデータ） (2026-03-19T20:55:46Z)
• Rethinking Code Similarity for Automated Algorithm Design with LLMs [16.918736214353814]
  大言語モデルに基づく自動アルゴリズム設計(LLM-AAD)は、専門家レベルのアルゴリズムのコード実装を自律的に生成することでアルゴリズム開発を変革した。 本稿では,問題解決行動のレンズを通して,アルゴリズムの類似性を測定する新しい手法であるBehaveSimを提案する。 動的時間ワープ(DTW)を使用してPSTrajs間のアライメントを定量化することにより、BehaveSimは、構文的あるいは出力レベルの類似性にもかかわらず、分岐論理によるアルゴリズムを区別する。
  論文  参考訳（メタデータ） (2026-03-03T09:25:53Z)
• AlphaResearch: Accelerating New Algorithm Discovery with Language Models [60.502137348923156]
  大規模言語モデルは複雑だが検証が容易な問題において大きな進歩を遂げてきたが、未知の発見に苦戦している。 オープンエンド問題に対する新しいアルゴリズムの発見を目的とした,自律型研究エージェントである textbfAlphaResearch を提示する。
  論文  参考訳（メタデータ） (2025-11-11T18:03:22Z)
• Position: We Need An Algorithmic Understanding of Generative AI [7.425924654036041]
  本稿では,LLMが学習・使用するアルゴリズムを体系的に研究するためのフレームワークであるAlgEvalを提案する。 AlgEvalは、潜在表現、注意、推論時間計算に反映されるアルゴリズムプリミティブと、タスク固有の問題を解決するアルゴリズム構成を明らかにすることを目的としている。
  論文  参考訳（メタデータ） (2025-07-10T08:38:47Z)
• Designing Algorithms Empowered by Language Models: An Analytical Framework, Case Studies, and Insights [86.06371692309972]
  本研究では,大規模言語モデル(LLM)に基づくアルゴリズムの設計と解析のための分析フレームワークを提案する。 提案する枠組みは頭痛を緩和する試みとして機能する。
  論文  参考訳（メタデータ） (2024-07-20T07:39:07Z)
• Neural Algorithmic Reasoning Without Intermediate Supervision [21.852775399735005]
  我々は、中間的監督に訴えることなく、入出力ペアからのみニューラルネットワーク推論を学ぶことに集中する。 我々は、アルゴリズムの軌跡にアクセスできることなく、モデルの中間計算を正規化できる自己教師対象を構築する。 CLRSic Algorithmic Reasoning Benchmarkのタスクにおいて,提案手法はトラジェクトリを教師する手法と競合することを示す。
  論文  参考訳（メタデータ） (2023-06-23T09:57:44Z)
• A Gold Standard Dataset for the Reviewer Assignment Problem [70.45113777449373]
  類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。 既存のアルゴリズムを比較し、より良いアルゴリズムを開発する上で重要な課題は、公開された金標準データの欠如である。 研究コミュニティにリリースした類似度スコアの新しいデータセットを収集します。
  論文  参考訳（メタデータ） (2023-03-23T16:15:03Z)
• Identifying Co-Adaptation of Algorithmic and Implementational Innovations in Deep Reinforcement Learning: A Taxonomy and Case Study of Inference-based Algorithms [15.338931971492288]
  我々は、アルゴリズムの革新と実装決定を分離するために、一連の推論に基づくアクター批判アルゴリズムに焦点を当てる。 実装の詳細がアルゴリズムの選択に一致すると、パフォーマンスが大幅に低下します。 結果は、どの実装の詳細がアルゴリズムと共適応され、共進化しているかを示す。
  論文  参考訳（メタデータ） (2021-03-31T17:55:20Z)

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。