論文の概要: NED-Tree: Bridging the Semantic Gap with Nonlinear Element Decomposition Tree for LLM Nonlinear Optimization Modeling

• arxiv url: http://arxiv.org/abs/2604.01588v1
• Date: Thu, 02 Apr 2026 03:59:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.21883
• Title: NED-Tree: Bridging the Semantic Gap with Nonlinear Element Decomposition Tree for LLM Nonlinear Optimization Modeling
• Title（参考訳）: NED-Tree: LLM非線形最適化モデリングのための非線形要素分解木を用いた意味ギャップのブリッジ
• Authors: Zhijing Hu, Yufan Deng, Haoyang Liu, Changjun Fan,
• Abstract要約: NED-Treeは意味的ギャップを埋めるための体系的なフレームワークである。 NED-Treeは、堅牢なパラメータマッピングとトレーサビリティを保証するために文ごとの抽出戦略を採用している。 NEXTORは、複雑な非線形で広範囲に制約のあるOR問題に特化して設計された新しいベンチマークである。
• 参考スコア（独自算出の注目度）: 6.424862571179283
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Automating the translation of Operations Research (OR) problems from natural language to executable models is a critical challenge. While Large Language Models (LLMs) have shown promise in linear tasks, they suffer from severe performance degradation in real-world nonlinear scenarios due to semantic misalignment between mathematical formulations and solver codes, as well as unstable information extraction. In this study, we introduce NED-Tree, a systematic framework designed to bridge the semantic gap. NED-Tree employs (a) a sentence-by-sentence extraction strategy to ensure robust parameter mapping and traceability; and (b) a recursive tree-based structure that adaptively decomposes complex nonlinear terms into solver-compatible sub-elements. Additionally, we present NEXTOR, a novel benchmark specifically designed for complex nonlinear, extensive-constraint OR problems. Experiments across 10 benchmarks demonstrate that NED-Tree establishes a new state-of-the-art with 72.51% average accuracy, NED-Tree is the first framework that drives LLMs to resolve nonlinear modeling difficulties through element decomposition, achieving alignment between modeling semantics and code semantics. The NED-Tree framework and benchmark are accessible in the anonymous repository https://anonymous.4open.science/r/NORA-NEXTOR.
• Abstract（参考訳）: 自然言語から実行可能なモデルへの操作研究(OR)問題の翻訳を自動化することは重要な課題である。 大規模言語モデル(LLM)は線形タスクにおいて有望であることを示す一方で、数学的定式化とソルバ符号のセマンティックなミスアライメントや不安定な情報抽出によって、実世界の非線形シナリオにおいて深刻な性能劣化に悩まされている。 本研究では,意味的ギャップを埋めるための体系的フレームワークであるNED-Treeを紹介する。 NED-Tree 採用 (a)ロバストなパラメータマッピングとトレーサビリティを確保する文単位抽出戦略、及び b) 複雑な非線形項をソルバ互換部分要素に適応的に分解する再帰的木構造。 さらに、複雑な非線形で広範囲に制約のあるOR問題に特化して設計された新しいベンチマークであるNEXTORを提案する。 NED-Treeは、要素分解による非線形モデリングの困難を解消し、モデリングセマンティクスとコードセマンティクスの整合性を達成するためにLLMを駆動する最初のフレームワークである。 NED-Treeフレームワークとベンチマークは、匿名リポジトリ https://anonymous.4open.science/r/NORA-NEXTORでアクセスできる。

関連論文リスト

• Ensembling LLM-Induced Decision Trees for Explainable and Robust Error Detection [24.742137117129502]
  エラー検出はデータ品質の確保に重要である。 近年の最先端ED法では,大規模言語モデル(LLM)に組み込まれた事前学習された知識と意味的能力を利用して,細胞が誤っているかを直接ラベル付けしている。 ED(termed TreeED)の決定木を誘導するLLM-as-an-inducerフレームワークを提案し,さらにコンセンサス検出(termed ForestED)のために複数の木をアンサンブルする。 我々の手法は正確で説明可能で堅牢であり、最高のベースラインに対して平均16.1%のF1スコア改善を実現している。
  論文  参考訳（メタデータ） (2025-12-08T07:40:48Z)
• OptiTree: Hierarchical Thoughts Generation with Tree Search for LLM Optimization Modeling [47.32196527450413]
  本稿では,複雑な問題に対するモデリング機能の向上を目的とした新しい木探索手法OptiTreeを紹介する。 具体的には、その階層的な問題分類と複雑性に基づいて、幅広いOR問題を整理するモデリングツリーを開発する。 実験の結果、OptiTreeは最先端のベンチマークに比べてモデリング精度が大幅に向上し、挑戦的なベンチマークで10%以上の改善が達成された。
  論文  参考訳（メタデータ） (2025-10-25T07:19:16Z)
• Hierarchical Quantized Diffusion Based Tree Generation Method for Hierarchical Representation and Lineage Analysis [49.00783841494125]
  HDTreeは階層的潜在空間内の木関係を、統一的な階層的コードブックと量子化拡散プロセスを用いてキャプチャする。 HDTreeの有効性は、汎用データセットと単一セルデータセットの比較によって示される。 これらの貢献は階層的な系統解析のための新しいツールを提供し、より正確で効率的な細胞分化経路のモデリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-29T15:19:13Z)
• Learning Decision Trees as Amortized Structure Inference [59.65621207449269]
  本稿では,予測決定木アンサンブルを学習するためのハイブリッドアモータイズされた構造推論手法を提案する。 提案手法であるDT-GFNは,標準分類ベンチマークにおける最先端決定木やディープラーニング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-10T07:05:07Z)
• Sneaking Syntax into Transformer Language Models with Tree Regularization [33.74552367356904]
  構文的帰納バイアスの導入は、トランスフォーマー言語モデルにおけるより堅牢でデータ効率のよい学習を解放する可能性がある。 ここでは,銀パースからの括弧決定を微分可能性制約の集合に変換する補助的損失関数であるTreeRegを紹介する。 TreeRegは標準のLM目標とシームレスに統合され、アーキテクチャの変更は不要である。
  論文  参考訳（メタデータ） (2024-11-28T03:27:48Z)
• Linear Mode Connectivity in Differentiable Tree Ensembles [13.704584231053675]
  線形モード接続性(英: Linear Mode Connectivity, LMC)は、パラメータ空間における線形補間モデルに対して一貫して存在する現象である。 我々はまず,木に基づく微分可能モデルであるソフトツリーニューロンのLCCを実現する。
  論文  参考訳（メタデータ） (2024-05-23T14:11:26Z)
• Structure-Unified M-Tree Coding Solver for MathWord Problem [57.825176412485504]
  従来,数式表現の2次木構造を考慮に入れたモデルでは,性能が向上した。 本稿では、出力構造を統一するために、任意のM枝(M-tree)を持つ木を適用した構造統一M-Tree符号化(S-UMCr)を提案する。 広く使われているMAWPSとMath23Kデータセットの実験結果は、SUMC-rが複数の最先端モデルを上回るだけでなく、低リソース条件下でもはるかに優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2022-10-22T12:20:36Z)
• ENTMOOT: A Framework for Optimization over Ensemble Tree Models [57.98561336670884]
  ENTMOOTは、ツリーモデルをより大きな最適化問題に統合するためのフレームワークである。 ENTMOOTは、ツリーモデルの意思決定とブラックボックス最適化への単純な統合を可能にしていることを示す。
  論文  参考訳（メタデータ） (2020-03-10T14:34:07Z)

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。