論文の概要: LLM4Branch: Large Language Model for Discovering Efficient Branching Policies of Integer Programs

• arxiv url: http://arxiv.org/abs/2605.10401v1
• Date: Mon, 11 May 2026 11:41:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.77548
• Title: LLM4Branch: Large Language Model for Discovering Efficient Branching Policies of Integer Programs
• Title（参考訳）: LLM4Branch:整数プログラムの効率的な分岐ポリシーを発見するための大規模言語モデル
• Authors: Zhinan Hou, Xingchen Li, Yankai Zhang, Tianxun Li, Keyou You,
• Abstract要約: LLM4Branchは、効率的な分岐ポリシーの発見を自動化する新しいフレームワークである。 標準MILPベンチマークの実験では、LLM4BranchがCPUベースのメソッド間で新しい最先端を確立していることが示されている。
• 参考スコア（独自算出の注目度）: 8.092117175018378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient branching policies are essential for accelerating Mixed Integer Linear Programming (MILP) solvers. Their design has long relied on hand-crafted heuristics, and now machine learning has emerged as a promising paradigm to automate this process. However, existing learning-based methods are often hindered by their dependence on expensive expert demonstrations and the gap between training objectives and the solver's end-to-end performance. In this work, we propose LLM4Branch, a novel framework that leverages Large Language Models (LLMs) to automate the discovery of efficient branching policies. Specifically, the discovered policy is an executable program with a program skeleton generated by the LLM and a parameter vector, which is optimized via a zeroth-order method over a few instances with their end-to-end performance feedback. Extensive experiments on standard MILP benchmarks demonstrate that LLM4Branch establishes a new state-of-the-art among CPU-based methods and achieves performance competitive with advanced GPU-based models. Codes are available at https://github.com/hzn18/LLM4Branch.
• Abstract（参考訳）: MILP(Mixed Integer Linear Programming)ソルバの高速化には,効率的な分岐ポリシが不可欠である。 彼らのデザインは長年、手作りのヒューリスティックスに依存してきたが、今や機械学習は、このプロセスを自動化するための有望なパラダイムとして現れている。 しかし、既存の学習ベースの手法は、高価な専門家によるデモンストレーションへの依存や、トレーニング目標と問題解決者のエンドツーエンドのパフォーマンスのギャップによって、しばしば妨げられる。 本研究では,LLM4Branchを提案する。このフレームワークはLarge Language Models (LLMs) を利用して,効率的な分岐ポリシーの発見を自動化する。 具体的には、LCMによって生成されたプログラムスケルトンとパラメータベクトルを備えた実行可能プログラムであり、エンド・ツー・エンドのパフォーマンスフィードバックを持つ少数のインスタンスに対してゼロ・オーダー法によって最適化される。 標準MILPベンチマークの大規模な実験により、LLM4BranchはCPUベースの手法の間で新しい最先端技術を確立し、高度なGPUベースのモデルと競合する性能を実現することが示されている。 コードはhttps://github.com/hzn18/LLM4Branchで公開されている。

関連論文リスト

• Compiling Code LLMs into Lightweight Executables [18.677096682203697]
  Dittoは、コードLLMのモデルサイズと推論プログラムの両方を最適化する新しい方法である。 私たちは、Dittoを3つの人気のあるコードLLMで評価し、元の推論パイプラインと比較して最大10.5$times$低いメモリ使用量を達成しました。
  論文  参考訳（メタデータ） (2026-03-31T14:40:19Z)
• Prism: Efficient Test-Time Scaling via Hierarchical Search and Self-Verification for Discrete Diffusion Language Models [96.0074341403456]
  LLM推論を改善するための実用的な方法として、推論時計算が再導入されている。 テスト時間スケーリング(TTS)アルゴリズムの多くは、自動回帰デコーディングに依存している。 そこで我々は,dLLM のための効率的な TTS フレームワーク Prism を提案する。
  論文  参考訳（メタデータ） (2026-02-02T09:14:51Z)
• FasterPy: An LLM-based Code Execution Efficiency Optimization Framework [11.766544835516974]
  コードはしばしばパフォーマンスのバグに悩まされる。 従来のルールベースのメソッドは、特定のパフォーマンスバグに対するルールを手動で設計し、保守することに依存しています。 我々は,Pythonコードの実行効率を最適化するために,大規模言語モデルを適用するフレームワークであるFasterPyを提案する。
  論文  参考訳（メタデータ） (2025-12-28T07:43:08Z)
• On LLM-Assisted Generation of Smart Contracts from Business Processes [0.08192907805418582]
  大規模言語モデル(LLM)は、ソフトウェアの生成方法の現実を変えました。 本稿では、ビジネスプロセス記述からスマートコントラクトコードを生成するためのLCMの使用について探索的研究を行う。 以上の結果から,LLMの性能はスマートコントラクト開発に必要な信頼性に劣ることがわかった。
  論文  参考訳（メタデータ） (2025-07-30T20:39:45Z)
• CALM: Co-evolution of Algorithms and Language Model for Automatic Heuristic Design [11.639825726501659]
  大規模言語モデル(LLM)は、従来のコストのごく一部で自律的にハイパフォーマンスを発見できる。 本稿では,言語指導と数値指導を組み合わせたハイブリッドフレームワークを提案する。 本手法は,様々な最適化タスクにおいて,SOTA(State-of-the-art)ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-05-18T07:48:47Z)
• Efficient Model Selection for Time Series Forecasting via LLMs [52.31535714387368]
  本稿では,Large Language Models (LLM) をモデル選択の軽量な代替手段として活用することを提案する。 提案手法は, LLMの固有知識と推論能力を活用することで, 明示的な性能行列の必要性を解消する。
  論文  参考訳（メタデータ） (2025-04-02T20:33:27Z)
• Reference Trustable Decoding: A Training-Free Augmentation Paradigm for Large Language Models [79.41139393080736]
  大規模言語モデル(LLM)は急速に進歩し、印象的な機能を示している。 In-Context Learning (ICL) など。 効率的なファインチューニング(PEFT)は、現在2つの主要な拡張方法である。 下流タスクへのLLM。 我々は、モデルが微調整なしで新しいタスクに迅速に適応できるパラダイムである参照信頼復号(RTD)を提案する。
  論文  参考訳（メタデータ） (2024-09-30T10:48:20Z)
• Aligning Language Models with Demonstrated Feedback [58.834937450242975]
  Demonstration ITerated Task Optimization (DITTO)は、言語モデルの出力とユーザの実証された振る舞いを直接調整する。 我々は,DITTOがニュース記事やメール,ブログ記事などのドメイン間できめ細かいスタイルやタスクアライメントを学習する能力を評価する。
  論文  参考訳（メタデータ） (2024-06-02T23:13:56Z)
• ML-Bench: Evaluating Large Language Models and Agents for Machine Learning Tasks on Repository-Level Code [76.84199699772903]
  ML-Benchは、既存のコードリポジトリを利用してタスクを実行する現実世界のプログラミングアプリケーションに根ざしたベンチマークである。 LLM(Large Language Model)とAIエージェントの両方を評価するために、事前に定義されたデプロイメント環境でLLMのテキスト-コード変換を評価するML-LLM-Benchと、Linuxサンドボックス環境でエンドツーエンドのタスク実行で自律エージェントをテストするML-Agent-Benchの2つの設定が採用されている。
  論文  参考訳（メタデータ） (2023-11-16T12:03:21Z)
• QIGen: Generating Efficient Kernels for Quantized Inference on Large Language Models [22.055655390093722]
  本稿では,LLaMA や OPT などの LLM 上の量子化生成推論をオフザシェルフ CPU 上で支援するための自動コード生成手法を提案する。 LLaMA モデルに対する CPU ベースの推論の結果から,我々のアプローチは,優れたオープンソースソリューションと比較して,高い性能と高い精度をもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2023-07-07T17:46:08Z)
• Reinforcement Learning for Branch-and-Bound Optimisation using Retrospective Trajectories [72.15369769265398]
  機械学習は分岐のための有望なパラダイムとして登場した。 分岐のための単純かつ効果的なRLアプローチであるレトロ分岐を提案する。 我々は現在最先端のRL分岐アルゴリズムを3～5倍に上回り、500の制約と1000の変数を持つMILP上での最高のILメソッドの性能の20%以内である。
  論文  参考訳（メタデータ） (2022-05-28T06:08:07Z)

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。