論文の概要: Generating Robust Portfolios of Optimization Models using Large Language Models

• arxiv url: http://arxiv.org/abs/2605.27013v1
• Date: Tue, 26 May 2026 13:30:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.187738
• Title: Generating Robust Portfolios of Optimization Models using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた最適化モデルのロバストポートフォリオ生成
• Authors: Eleni Straitouri, Cheol Woo Kim, Milind Tambe,
• Abstract要約: 我々は最適化モデルの生成と評価を行う新しい方法を開発した。 ポートフォリオが人間の好みによく適合していることを示す理論的保証を提供する。 範囲最適化モデリングタスクにおける高い性能を示す。
• 参考スコア（独自算出の注目度）: 27.600634702684733
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mathematical optimization is a powerful tool for structured decision-making across domains such as resource allocation and planning. Formulating optimization models faithful to reality, though, remains a significant bottleneck as it typically demands both domain expertise and optimization knowledge that are often scarce. Recent advances in large language models (LLMs) promise to bridge this gap, enabling the generation of candidate optimization models from natural language descriptions. However, there is no guarantee that any single LLM-generated model is reliable, and existing approaches that output only one model are therefore risky. In this work, we propose a novel algorithm that generates a portfolio of optimization models, designed to be robust to the limitations of LLMs. Our method exploits the observation that a single LLM can play two distinct roles $\unicode{x2014}$ as a stochastic generator and as a reasoning evaluator $\unicode{x2014}$ and proposes a unified framework that leverages both capabilities in a complementary manner. We provide theoretical guarantees showing that, as long as either the generator or the evaluator is well-aligned with human preferences, the portfolio is guaranteed to contain high-quality candidates, enabling a principled human-in-the-loop process in which a decision-maker can review multiple candidates before committing to one. We further validate our approach empirically, demonstrating strong performance across a range of optimization modeling tasks.
• Abstract（参考訳）: 数学的最適化は、リソース割り当てや計画といった領域間で構造化された意思決定のための強力なツールである。 しかし、現実に忠実な最適化モデルは、通常、ドメインの専門知識と、しばしば不足する最適化知識の両方を必要とするため、大きなボトルネックのままである。 大規模言語モデル(LLM)の最近の進歩は、このギャップを埋め、自然言語記述から候補最適化モデルを生成することを約束している。 しかし、1つのLCM生成モデルが信頼できるという保証はなく、1つのモデルのみを出力する既存のアプローチは危険である。 本研究では,LLMの限界に頑健な最適化モデルのポートフォリオを生成する新しいアルゴリズムを提案する。 提案手法では, 1 つの LLM が確率的ジェネレータとして $\unicode{x2014}$ と,推論評価器として $\unicode{x2014}$ の2つの異なる役割を果たせることを利用して,両機能を補完的に活用する統一的なフレームワークを提案する。 我々は、ジェネレータまたは評価器が人間の嗜好に合致している限り、ポートフォリオは高品質な候補を含むことが保証され、意思決定者がコミットする前に複数の候補をレビューできる、原則化された人道的なプロセスが実現されることを示す理論的保証を提供する。 提案手法を実証的に検証し,様々な最適化モデルタスクにおいて高い性能を示す。

関連論文リスト

• FrontierOR: Benchmarking LLMs' Capacity for Efficient Algorithm Design in Large-Scale Optimization [61.43300970020897]
  大規模言語モデル(LLM)は、最適化モデリングとソルバコード生成にますます使われている。 既存のベンチマークは、実際のスケールと複雑さよりもはるかに低い、小さな、あるいは単純化された例に限られている。 現実的な大規模最適化問題に対して,LLMに基づく効率的なアルゴリズム設計を評価するための最初のベンチマークとしてFrontierORを紹介した。
  論文  参考訳（メタデータ） (2026-05-24T20:10:42Z)
• Offline Multi-Task Multi-Objective Data-Driven Evolutionary Algorithm with Language Surrogate Model and Implicit Q-Learning [16.52427396199173]
  プラグ・アンド・プレイ・サロゲート・モデリング手法としてQ-MetaSurを提案する。 マルチタスク・マルチオブジェクト最適化(MTMOO)をオフライン環境で検討する。 また,Q-MetaSurは,主観的近似精度において,主観的サロゲートベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-12-17T07:30:11Z)
• Toward a Trustworthy Optimization Modeling Agent via Verifiable Synthetic Data Generation [11.988926173584154]
  本稿では,信頼性の高い大規模言語モデル(LLM)エージェントを合成データ生成パイプラインを介して訓練するためのフレームワークを提案する。 OptiTrustは、自然言語からソルバ対応コードへの多言語翻訳を行うモジュール型LLMエージェントである。 我々のエージェントは、標準ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-05T05:54:20Z)
• Large Language Model-Driven Surrogate-Assisted Evolutionary Algorithm for Expensive Optimization [22.024630467760264]
  サロゲート支援進化アルゴリズム(SAEA)は、コストのかかる最適化タスクに対処するための重要なツールである。 本稿では,大規模言語モデル (LLM) を統合した新しい手法 LLM-SAEA を提案する。
  論文  参考訳（メタデータ） (2025-06-20T13:44:21Z)
• Collab: Controlled Decoding using Mixture of Agents for LLM Alignment [90.6117569025754]
  人間のフィードバックからの強化学習は、大規模言語モデルを整合させる効果的な手法として現れてきた。 制御された復号化は、再訓練せずに推論時にモデルを整列するメカニズムを提供する。 本稿では,既存の既成のLCMポリシを活用するエージェントベースのデコーディング戦略の混合を提案する。
  論文  参考訳（メタデータ） (2025-03-27T17:34:25Z)
• Enhancing the Reasoning Ability of Multimodal Large Language Models via Mixed Preference Optimization [65.64108848398696]
  我々は、MLLMのマルチモーダル推論能力を高めるために、選好最適化(PO)プロセスを導入する。 具体的には、自動選好データ構築パイプラインを設計し、高品質で大規模なマルチモーダル推論選好データセットであるMMPRを作成する。 マルチモーダルCoT性能を向上するMPO(Mixed Preference Optimization)と呼ばれるシンプルな手法を開発した。
  論文  参考訳（メタデータ） (2024-11-15T18:59:27Z)
• ORLM: A Customizable Framework in Training Large Models for Automated Optimization Modeling [15.67321902882617]
  本稿では,オープンソースのLLMをトレーニングし,モデリングやソルバコードの開発を最適化する実行可能なパスを提案する。 この研究は、実用的なOR問題の解決においてLLMを評価するための最初の産業ベンチマークであるIndustrialORも導入した。
  論文  参考訳（メタデータ） (2024-05-28T01:55:35Z)
• Multi-Reference Preference Optimization for Large Language Models [56.84730239046117]
  複数の参照モデルを用いた直接選好最適化のための新しいクローズドフォームの定式化を提案する。 得られたアルゴリズムであるMulti-Reference Preference Optimization (MRPO)は、様々な参照モデルからより広範な事前知識を活用する。 MRPOを微調整したLLMは,データ不足や多量性に関わらず,様々な嗜好データにおいてより一般化されていることを示す。
  論文  参考訳（メタデータ） (2024-05-26T00:29:04Z)
• Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
  我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。 このアプローチは多くの実装と最適化の課題をもたらします。 提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
  論文  参考訳（メタデータ） (2021-03-18T14:26:26Z)

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。