論文の概要: Democratizing Large-Scale Re-Optimization with LLM-Guided Model Patches

• arxiv url: http://arxiv.org/abs/2605.18692v2
• Date: Wed, 27 May 2026 03:54:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:54.758778
• Title: Democratizing Large-Scale Re-Optimization with LLM-Guided Model Patches
• Title（参考訳）: LLM誘導型モデルパッチによる大規模再最適化の民主化
• Authors: Tinghan Ye, Arnaud Deza, Ved Mohan, El Mehdi Er Raqabi, Pascal Van Hentenryck,
• Abstract要約: 本稿では,大規模言語モデル(LLM)がORエキスパートとして機能するエージェント的再最適化フレームワークを提案する。 提案フレームワークは,デプロイされた最適化モデルの対話的かつ連続的な適応を可能にする。
• 参考スコア（独自算出の注目度）: 14.24802309734814
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Optimization models developed by operations research (OR) experts are often deployed as decision-support systems in industrial settings. However, real-world environments are dynamic, with evolving business rules and unforeseen perturbations. In such contexts, end users should ideally re-optimize models to recover feasible and implementable solutions, often without access to the original model developers. This paper introduces an agentic re-optimization framework in which a large language model (LLM) acts as an OR expert, dynamically supporting end users through natural-language interaction. The LLM translates user prompts into structured updates of the underlying optimization model, selects suitable re-optimization techniques from an optimization toolbox, and solves the resulting instance to return implementable solutions. The toolbox leverages primal information, including historical solutions, valid inequalities, solver configurations, and metaheuristics, to accelerate re-optimization while preserving solution quality. The proposed framework enables interactive and continuous adaptation of deployed optimization models, reducing dependence on OR experts, and improving the sustainability of decision-support systems. Extensive experiments on two complementary large-scale real-world case studies demonstrate the effectiveness and scalability of the proposed framework. The first considers online supply chain re-optimization, where solutions must be generated rapidly while remaining close to the deployed plan, whereas the second focuses on offline university exam scheduling, where solution quality is prioritized over runtime. Results show that the toolbox-driven architecture significantly improves computational efficiency through primal-based and solver-aware re-optimization techniques, while the structured patch-based updates improve interpretability and traceability of model modifications.
• Abstract（参考訳）: オペレーションリサーチ(OR)の専門家によって開発された最適化モデルは、しばしば産業環境で意思決定支援システムとしてデプロイされる。 しかし、現実世界の環境は動的であり、ビジネスルールの進化と予期せぬ摂動がある。 このような状況下では、エンドユーザは、しばしばオリジナルのモデル開発者にアクセスすることなく、理想的にモデルを再最適化して、実行可能で実装可能なソリューションを回復する必要がある。 本稿では,大規模言語モデル(LLM)がORエキスパートとして機能し,自然言語インタラクションを通じてエンドユーザを動的に支援するエージェント的再最適化フレームワークを提案する。 LLMは、ユーザプロンプトを基盤となる最適化モデルの構造化された更新に変換し、最適化ツールボックスから適切な再最適化テクニックを選択し、実装可能なソリューションを返すために結果のインスタンスを解決する。 このツールボックスは、過去のソリューション、有効な不等式、ソルバの構成、メタヒューリスティックスなどの原始情報を活用して、ソリューションの品質を維持しながら、再最適化を加速する。 提案フレームワークは、デプロイされた最適化モデルのインタラクティブかつ継続的な適応を可能にし、OR専門家への依存を低減し、意思決定支援システムの持続可能性を向上させる。 2つの相補的な大規模実世界のケーススタディに関する大規模な実験は、提案フレームワークの有効性とスケーラビリティを実証している。 1つは、オンラインサプライチェーンの再最適化、もう1つは、デプロイされた計画に近く、ソリューションを迅速に生成しなければならないこと、もう1つは、オフラインの大学試験スケジューリングであり、そこでは、ソリューションの品質が実行時よりも優先される。 その結果、ツールボックス駆動アーキテクチャは、プリミティブベースおよびソルバ対応再最適化技術により計算効率を著しく向上し、一方、構造化パッチベースの更新は、モデル修正の解釈可能性とトレーサビリティを向上させることがわかった。

関連論文リスト

• Large Language Model Assisted Automated Algorithm Generation and Evolution via Meta-black-box optimization [9.184788298623062]
  AwesomeDEは大規模言語モデル(LLM)をメタ最適化の戦略として活用し、人間の介入なしに制約付き進化アルゴリズムの更新ルールを生成する。 素早い設計と反復的な改良を含む重要なコンポーネントは、設計品質への影響を判断するために体系的に分析される。 実験の結果,提案手法は計算効率と解の精度で既存手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-09-16T17:02:24Z)
• TCPO: Thought-Centric Preference Optimization for Effective Embodied Decision-making [75.29820290660065]
  本稿では,効果的な具体的意思決定のための思考中心推論最適化(TCPO)を提案する。 モデルの中間的推論プロセスの整合性を強調し、モデル劣化の問題を緩和する。 ALFWorld環境での実験では、平均成功率は26.67%であり、RL4VLMよりも6%向上している。
  論文  参考訳（メタデータ） (2025-09-10T11:16:21Z)
• Automated Optimization Modeling through Expert-Guided Large Language Model Reasoning [43.63419208391747]
  本稿では,最適化プロセスを自動化するチェーン・オブ・シント推論を通じて,専門家レベルの最適化モデリングの原則を活用する新しいフレームワークを提案する。 また、ロジスティクス領域からの新しい最適化モデリングベンチマークであるLogiORを導入し、標準化されたアノテーションに関するより複雑な問題を含む。
  論文  参考訳（メタデータ） (2025-08-20T04:14:54Z)
• REASONING COMPILER: LLM-Guided Optimizations for Efficient Model Serving [6.19179006129561]
  本稿では,逐次的かつコンテキスト対応な意思決定プロセスとして最適化を定式化する,新しいコンパイルフレームワーク(Dubbed Reasoning)を提案する。 提案手法は,LLM誘導推論がコンパイラ最適化のランドスケープを変革する可能性を示す。
  論文  参考訳（メタデータ） (2025-06-02T07:02:46Z)
• Learning Joint Models of Prediction and Optimization [56.04498536842065]
  Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-07T19:52:14Z)
• Unleashing the Potential of Large Language Models as Prompt Optimizers: Analogical Analysis with Gradient-based Model Optimizers [108.72225067368592]
  本稿では,大規模言語モデル(LLM)に基づくプロンプトの設計について検討する。 モデルパラメータ学習における2つの重要な要素を同定する。 グラディエントにインスパイアされた Prompt ベースの GPO を開発した。
  論文  参考訳（メタデータ） (2024-02-27T15:05:32Z)
• Predict-Then-Optimize by Proxy: Learning Joint Models of Prediction and Optimization [59.386153202037086]
  Predict-Then-フレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 このアプローチは非効率であり、最適化ステップを通じてバックプロパゲーションのための手作りの、問題固有のルールを必要とする。 本稿では,予測モデルを用いて観測可能な特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-22T01:32:06Z)
• Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。 本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
  論文  参考訳（メタデータ） (2023-01-28T01:50:42Z)

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。