論文の概要: Problem Reductions at Scale: Agentic Integration of Computationally Hard Problems

• arxiv url: http://arxiv.org/abs/2604.11535v1
• Date: Mon, 13 Apr 2026 14:32:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.607236
• Title: Problem Reductions at Scale: Agentic Integration of Computationally Hard Problems
• Title（参考訳）: 大規模化における問題削減:計算困難問題のエージェント統合
• Authors: Xi-Wei Pan, Shi-Wen An, Jin-Guo Liu,
• Abstract要約: NPハード最適化の問題は、しばしば特定の解法に対する修正を必要とする。 制約,検証システム,フィードバックループを設計する手法は,この障壁を克服できることを示す。 約3ヶ月で、100以上の問題タイプと200以上のルールを170万行以上のRustで支援するコマンドラインツールを構築しました。
• 参考スコア（独自算出の注目度）: 1.2425910171551517
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Solving an NP-hard optimization problem often requires reformulating it for a specific solver -- quantum hardware, a commercial optimizer, or a domain heuristic. A tool for polynomial-time reductions between hard problems would let practitioners route any supported problem to any supported solver through a single interface. Building such a library at scale, however, has remained out of reach. We show that harness engineering, the practice of designing constraints, verification systems, and feedback loops that channel AI coding agents, can overcome this barrier. Our harness combines a no-code contribution route for domain experts, a multilayer verification stack ranging from type-level checks to agentic feature tests (AI agents role-playing as end users), and a fully automated implementation-review-integration pipeline. In about three months, we built a command-line tool backed by a library of 100+ problem types and 200+~reduction rules in over 170k lines of Rust. The result suggests that a well-engineered harness lets agents build well-tested software at a scale and pace beyond prior reduction-library efforts. Because the reduction graph composes transitively, a new solver registered for any single problem type instantly becomes available to every problem connected by a reduction path. The source code is available at https://github.com/CodingThrust/problem-reductions.
• Abstract（参考訳）: NPハード最適化問題の解決には、量子ハードウェア、商用オプティマイザ、ドメインヒューリスティックなど、特定のソルバの修正が必要となることが多い。 難しい問題間の多項式時間短縮のためのツールにより、実践者はサポート対象の問題を任意のサポート対象の解決者へ単一のインターフェースでルーティングすることができる。 しかし、このような大規模な図書館の建設は、まだ手が届いていない。 我々は、AIコーディングエージェントをチャネルする制約、検証システム、フィードバックループを設計する手法が、この障壁を克服できることを示します。 我々のハーネスは、ドメインエキスパートのためのノーコードコントリビューションルート、タイプレベルチェックからエージェント機能テスト(エンドユーザーとしてのAIエージェントロールプレイング)までの多層検証スタック、完全に自動化された実装-レビュー-インテグレーションパイプラインを組み合わせる。 約3ヶ月で、100以上の問題タイプと200以上の推論ルールを170万行以上のRustで支援するコマンドラインツールを構築しました。 その結果、十分にエンジニアリングされたハーネスによって、エージェントは十分にテストされたソフトウェアを、事前のリダクション・ライブラリーの取り組みを超えて、スケールとペースで構築することができることを示唆している。 還元グラフは推移的に構成されるので、還元経路で接続された全ての問題に対して、任意の単一問題タイプに登録された新しい解法が即座に利用可能となる。 ソースコードはhttps://github.com/CodingThrust/problem-reductionsで入手できる。

関連論文リスト

• Scalable Inspection Planning via Flow-based Mixed Integer Linear Programming [8.568142982906755]
  検査計画とは、最短のロボット経路を計算して、与えられた一連の関心点を検査することである。 我々は、GIPのための高度にスケーラブルな混合線形プログラミング(MILP)ソリューションを提案し、ランタイムとソリューションの品質の両方において最先端の技術を著しく向上させます。
  論文  参考訳（メタデータ） (2026-03-17T14:40:26Z)
• INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
  本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。 $mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。 大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
  論文  参考訳（メタデータ） (2025-11-16T20:14:28Z)
• Minor Embedding for Quantum Annealing with Reinforcement Learning [10.787328610467801]
  強化学習(RL)は、小さな埋め込みをシーケンシャルな意思決定問題として扱うことで、有望な代替手段を提供する。 提案手法は, 完全連結問題とランダムに生成した問題の両方を埋め込む能力をテストする。 提案手法は,よりフレキシブルで汎用的なフレームワークとしてのRLの可能性を強調し,問題のサイズを適度に拡大し,異なるグラフ構造に順応することができる。
  論文  参考訳（メタデータ） (2025-07-21T18:54:15Z)
• Symmetry-preserving graph attention network to solve routing problems at multiple resolutions [1.9304772860080408]
  問題解決のために,最初の完全同変モデルとトレーニングを導入する。 入力グラフのマルチスケール構造を捉えることが不可欠である。 本稿では,Equi Graph Attention Network (mEGAT) アーキテクチャと組み合わせたマルチレゾリューション方式を提案する。
  論文  参考訳（メタデータ） (2023-10-24T06:22:20Z)
• AutoCoreset: An Automatic Practical Coreset Construction Framework [65.37876706107764]
  コアセットは入力セットの小さな重み付き部分集合であり、損失関数によく似ている。 本稿では,ユーザからの入力データと所望のコスト関数のみを必要とするコアセット構築のための自動フレームワークを提案する。 この集合は有限であるが、コア集合は極めて一般であることを示す。
  論文  参考訳（メタデータ） (2023-05-19T19:59:52Z)
• Symmetric Tensor Networks for Generative Modeling and Constrained Combinatorial Optimization [72.41480594026815]
  ポートフォリオ最適化からロジスティクスに至るまで、制約付き最適化問題は業界に多い。 これらの問題の解決における主要な障害の1つは、有効な検索空間を制限する非自明なハード制約の存在である。 本研究では、Ax=bという形の任意の整数値等式制約をU(1)対称ネットワーク(TN)に直接エンコードし、それらの適用性を量子に着想を得た生成モデルとして活用する。
  論文  参考訳（メタデータ） (2022-11-16T18:59:54Z)
• An Information Theory-inspired Strategy for Automatic Network Pruning [97.03772272417599]
  深層畳み込みニューラルネットワークは、リソース制約のあるデバイスで圧縮されることがよく知られている。 既存のネットワークプルーニング手法の多くは、人的努力と禁忌な計算資源を必要とする。 本稿では,自動モデル圧縮のための情報理論に基づく戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-19T07:03:22Z)
• The Programming of Deep Learning Accelerators as a Constraint Satisfaction Problem [0.0]
  行列乗算のような複雑な命令で演算子を効率的に実装する新しい手法を提案する。 スカラーデータフロー上の制約満足度問題として組込みを定式化することで、あらゆる可能な組込みソリューションが探索空間に含まれる。 baidu deepbench inference benchmark suiteによるvtaハードウェアアクセラレーターを用いた詳細な評価では、リファレンス実装と競合するコードを自動生成できることが示されている。
  論文  参考訳（メタデータ） (2021-04-10T10:39:47Z)

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。