論文の概要: From Soliloquy to Agora: Memory-Enhanced LLM Agents with Decentralized Debate for Optimization Modeling

• arxiv url: http://arxiv.org/abs/2604.25847v1
• Date: Tue, 28 Apr 2026 16:53:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.957974
• Title: From Soliloquy to Agora: Memory-Enhanced LLM Agents with Decentralized Debate for Optimization Modeling
• Title（参考訳）: Soliloquy から Agora へ: 最適化モデリングのための分散議論を伴うメモリ拡張 LLM エージェント
• Authors: Jianghao Lin, Zi Ling, Chenyu Zhou, Tianyi Xu, Ruoqing Jiang, Zizhuo Wang, Dongdong Ge,
• Abstract要約: Agora-Optは最適化モデリングのためのモジュール型エージェントフレームワークである。 分散化された議論とリードライトメモリバンクを組み合わせる。 比較されたすべての方法の中で、最も高い総合的なパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 15.496636322208841
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimization modeling underpins real-world decision-making in logistics, manufacturing, energy, and public services, but reliably solving such problems from natural-language requirements remains challenging for current large language models (LLMs). In this paper, we propose \emph{Agora-Opt}, a modular agentic framework for optimization modeling that combines decentralized debate with a read-write memory bank. Agora-Opt allows multiple agent teams to independently produce end-to-end solutions and reconcile them through an outcome-grounded debate protocol, while memory stores solver-verified artifacts and past disagreement resolutions to support training-free improvement over time. This design is flexible across both backbones and methods: it reduces base-model lock-in, transfers across different LLM families, and can be layered onto existing pipelines with minimal coupling. Across public benchmarks, Agora-Opt achieves the strongest overall performance among all compared methods, outperforming strong zero-shot LLMs, training-centric approaches, and prior agentic baselines. Further analyses show robust gains across backbone choices and component variants, and demonstrate that decentralized debate offers a structural advantage over centralized selection by enabling agents to refine candidate solutions through interaction and even recover correct formulations when all initial candidates are flawed. These results suggest that reliable optimization modeling benefits from combining collaborative cross-checking with reusable experience, and position Agora-Opt as a practical and extensible foundation for trustworthy optimization modeling assistance. Our code and data are available at https://github.com/CHIANGEL/Agora-Opt.
• Abstract（参考訳）: 最適化モデリングは、ロジスティクス、製造、エネルギー、公共サービスにおける現実的な意思決定の基盤となっているが、現在の大規模言語モデル(LLM)では、自然言語の要求からそのような問題を確実に解決することは困難である。 本稿では、分散化された議論と読み書きメモリバンクを組み合わせた最適化モデルのためのモジュール型エージェントフレームワークである \emph{Agora-Opt} を提案する。 Agora-Optは、複数のエージェントチームが独立してエンドツーエンドのソリューションを作成し、結果に基づく議論プロトコルを通じてそれらを調整することを可能にする。 この設計はバックボーンとメソッドの両方に柔軟性があり、ベースモデルロックインを低減し、異なるLLMファミリ間で転送し、最小の結合で既存のパイプラインにレイヤー化することができる。 公開ベンチマーク全体を通じて、Agora-Optは、比較したすべてのメソッドの中で最も優れた全体的なパフォーマンスを達成し、強力なゼロショットLLM、トレーニング中心のアプローチ、および以前のエージェントベースラインを上回っている。 さらに分析によって、バックボーンの選択やコンポーネントの変形に対して堅牢なゲインを示し、分散化された議論は、エージェントが相互作用を通じて候補の解を洗練し、初期候補がすべて欠陥のあるときに正しい定式化を回復させることによって、中央集権的な選択よりも構造的な優位性をもたらすことを示した。 これらの結果は、信頼性の高い最適化モデリングは、コラボレーティブ・クロスチェックと再利用可能な経験を組み合わせ、Agora-Optを信頼性の高い最適化モデリング支援のための実用的で拡張可能な基盤として位置づけることの利点を示唆している。 私たちのコードとデータはhttps://github.com/CHIANGEL/Agora-Opt.comで公開されています。

関連論文リスト

• Learning to Negotiate: Multi-Agent Deliberation for Collective Value Alignment in LLMs [0.41998444721319217]
  本研究は,大規模言語モデルを集合エージェント(CA)に整合させるマルチエージェント交渉に基づくアライメントフレームワークを提案する。 スケーラブルなトレーニングを実現するために、同一のLLMの2つのセルフプレイインスタンスは、反対のペルソナを割り当て、構造化されたターンベースの対話を行い、相互に有益なソリューションを合成する。 実験結果から, 単一エージェントベースラインに匹敵するCAアライメントを実現するとともに, 汎用言語能力を低下させることなく, コンフリクト分解性能を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2026-03-11T06:58:55Z)
• Adaptive Acquisition Selection for Bayesian Optimization with Large Language Models [29.41740966512592]
  LMABOは、事前訓練されたLarge Language ModelをBOプロセスのゼロショットオンラインストラテジストとしてキャストする、新しいフレームワークである。 LLMの動作は、リアルタイムの進行に適応する包括的な戦略であり、その優位性を証明することは、完全な最適化状態を処理し、効果的で適応的なポリシーに合成する能力に起因していることを示す。
  論文  参考訳（メタデータ） (2026-02-08T10:53:52Z)
• Refer-Agent: A Collaborative Multi-Agent System with Reasoning and Reflection for Referring Video Object Segmentation [50.22481337087162]
  Referring Video Object (RVOS) は、テキストクエリに基づくビデオ内のオブジェクトのセグメンテーションを目的としている。 Refer-Agent (Refer-Agent) は、共用多エージェントシステムである。
  論文  参考訳（メタデータ） (2026-02-03T14:48:12Z)
• SOLID: a Framework of Synergizing Optimization and LLMs for Intelligent Decision-Making [13.975554366504587]
  SOLIDは、大規模言語モデル(LLM)の文脈能力と数学的最適化を統合するフレームワークである。 この枠組みは凸性仮定の下で理論収束保証を保持しており、LLMの設計に関する洞察を与えている。 実験結果は,様々なシナリオにおける収束を示し,ベースラインのみの手法と比較して年次リターンを示す。
  論文  参考訳（メタデータ） (2025-11-19T07:44:36Z)
• From Natural Language to Solver-Ready Power System Optimization: An LLM-Assisted, Validation-in-the-Loop Framework [1.7136832159667206]
  本稿では,Large Language Models (LLMs) を用いたエージェントを導入し,電力系統最適化シナリオの自然言語記述を,コンパクトで解決可能な定式化に自動変換する。 提案手法は,オフザシェルフ最適化解法により効率よく解ける数学的に互換性のある定式化の発見に重点を置いている。
  論文  参考訳（メタデータ） (2025-08-11T16:22:57Z)
• LLaMA-Berry: Pairwise Optimization for O1-like Olympiad-Level Mathematical Reasoning [56.273799410256075]
  このフレームワークはMonte Carlo Tree Search (MCTS)と反復的なSelf-Refineを組み合わせて推論パスを最適化する。 このフレームワークは、一般的なベンチマークと高度なベンチマークでテストされており、探索効率と問題解決能力の点で優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-03T18:12:29Z)
• Large Language Models to Enhance Bayesian Optimization [57.474613739645605]
  本稿では,大規模言語モデル(LLM)の能力をベイズ最適化に組み込む新しいアプローチであるLLAMBOを提案する。 高いレベルでは、自然言語のBO問題を枠組み化し、LLMが歴史的評価に照らした有望な解を反復的に提案し、評価することを可能にする。 以上の結果から,LLAMBOはゼロショットウォームスタートに有効であり,サロゲートモデリングや候補サンプリングの促進,特に観察が不十分な場合の探索の初期段階において有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-02-06T11:44:06Z)
• Slimmable Domain Adaptation [112.19652651687402]
  重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。 私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-06-14T06:28:04Z)

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。