Fugu-MT 論文翻訳(概要): Algorithmic algorithm development with LLMs: A Case Study on LLM-Usage for Contraction Order Optimization in Tensor Networks

論文の概要: Algorithmic algorithm development with LLMs: A Case Study on LLM-Usage for Contraction Order Optimization in Tensor Networks

arxiv url: http://arxiv.org/abs/2606.01975v1
Date: Mon, 01 Jun 2026 09:36:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 21:34:31.699955
Title: Algorithmic algorithm development with LLMs: A Case Study on LLM-Usage for Contraction Order Optimization in Tensor Networks
Title（参考訳）: LLMを用いたアルゴリズム開発:テンソルネットワークにおける契約順序最適化のためのLLM利用事例
Abstract要約: 我々は,OpenEvolve を用いたテンソルネットワークの収縮次数最適化のケーススタディによる LLM ベースのアルゴリズム開発について検討する。 LLMの選択だけでなく、評価基準やテストインスタンスといった設計上の選択にも特に注意を払っています。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We consider LLM-based algorithm development through a case study on contractionorder optimisation for tensor networks with OpenEvolve. We pay particular attention to the choice of the LLM as well as design choices such as evaluation metric and test instances. Our results highlight both the promise of verifier-guided evolutionary coding agents for algorithm development/improvement and the continuing importance of evaluation, validation, and interpretation -- and corresponding challenges -- by the human scientist.
Abstract（参考訳）: 我々は,OpenEvolve を用いたテンソルネットワークの収縮次数最適化のケーススタディによる LLM ベースのアルゴリズム開発について検討する。 LLMの選択だけでなく、評価基準やテストインスタンスといった設計上の選択にも特に注意を払っています。この結果は,アルゴリズム開発/改善のための検証者誘導型進化的コーディングエージェントの約束と,人間の科学者による評価,検証,解釈,およびそれに対応する課題の継続の重要性の両方を強調した。

関連論文リスト

LLMDE: A Large Language Model-Driven Differential Evolution Algorithm for Portfolio Optimization [23.197379864220295]
本研究では,手作りハイパーパラメータ設計への依存を減らすために,Large Language Model-Driven Differential Evolution (LLMDE)アルゴリズムを提案する。 CEC2022ベンチマークスイート上でのLLMDEの性能評価を行い,標準Dと代表メタヒューリスティックスとの比較を行った。実験結果から,LLMDEは,高品質なソリューションを連続的に生成しながら,ベンチマークスイート上での競合性能を実現することが示された。
論文参考訳（メタデータ） (2026-09-15T08:39:44Z)
Optimizing Service Operations via LLM-Powered Multi-Agent Simulation [1.2997358113120427]
サービス操作を最適化するためのLLMを用いたマルチエージェントシミュレーションフレームワークを提案する。我々は、決定に依存した不確実性を伴う最適化として問題を提起する。本研究では,1つのシミュレーション実行時にゼロ階勾配推定を同時に構築し,定常状態性能を最適化するための設計パラメータを更新する軌道学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2026-04-06T03:14:33Z)
From Heuristic Selection to Automated Algorithm Design: LLMs Benefit from Strong Priors [4.253872963674906]
大規模言語モデル(LLM)は、アルゴリズムの自動設計に広く採用されている。高品質なアルゴリズムコード例を提供することで、LLM駆動最適化の性能を大幅に向上できることを示す。
論文参考訳（メタデータ） (2026-03-03T09:27:52Z)
Deep Unfolding: Recent Developments, Theory, and Design Guidelines [99.63555420898554]
この記事では、最適化アルゴリズムを構造化されたトレーニング可能なMLアーキテクチャに変換するフレームワークであるDeep Unfoldingのチュートリアルスタイルの概要を提供する。推論と学習のための最適化の基礎を概観し、深層展開のための4つの代表的な設計パラダイムを導入し、その反復的な性質から生じる特有なトレーニングスキームについて議論する。
論文参考訳（メタデータ） (2025-12-03T13:16:35Z)
Rectifying LLM Thought from Lens of Optimization [48.98086817378953]
ロングチェーン・オブ・シンクレット (Long chain-of- Thought, CoT) は、徹底的な調査と検討を可能にする。進歩にもかかわらず、長いCoT LLMは、しばしば最適な推論行動を示す。ポストトレーニング中のLCM推論を洗練するための新しい手法であるReProを紹介する。
論文参考訳（メタデータ） (2025-12-01T17:41:08Z)
Teaching LLMs to Think Mathematically: A Critical Study of Decision-Making via Optimization [1.246870021158888]
本稿では,大規模言語モデル(LLM)の数学的プログラミングによる意思決定問題の定式化と解決能力について検討する。まず、LLMがドメイン間の最適化問題をいかに理解し、構造化し、解決するかを評価するため、最近の文献の体系的レビューとメタ分析を行う。計算機ネットワークにおける問題に対する最適化モデルの自動生成において、最先端のLLMの性能を評価するために設計されたターゲット実験により、系統的エビデンスを補完する。
論文参考訳（メタデータ） (2025-08-25T14:52:56Z)
Combinatorial Optimization for All: Using LLMs to Aid Non-Experts in Improving Optimization Algorithms [0.9668407688201361]
大規模言語モデル(LLM)は最適化アルゴリズムのためのコード生成において顕著な可能性を示している。本稿では,アルゴリズムをスクラッチから作成するのではなく,専門知識を必要とせずに既存のものを改善する方法について検討する。
論文参考訳（メタデータ） (2025-03-14T00:26:00Z)
EVOLvE: Evaluating and Optimizing LLMs For In-Context Exploration [76.66831821738927]
大規模言語モデル(LLM)は、不確実性の下で最適な意思決定を必要とするシナリオにおいて、未調査のままである。多くのアプリケーションに関係のあるステートレス強化学習環境である,帯域幅を最適に決定できる LLM の (in) 能力の測定を行う。最適な探索アルゴリズムの存在を動機として,このアルゴリズム知識をLLMに統合する効率的な方法を提案する。
論文参考訳（メタデータ） (2024-10-08T17:54:03Z)
Designing Algorithms Empowered by Language Models: An Analytical Framework, Case Studies, and Insights [86.06371692309972]
本研究では,大規模言語モデル(LLM)に基づくアルゴリズムの設計と解析のための分析フレームワークを提案する。提案する枠組みは頭痛を緩和する試みとして機能する。
論文参考訳（メタデータ） (2024-07-20T07:39:07Z)
Let's reward step by step: Step-Level reward model as the Navigators for Reasoning [64.27898739929734]
Process-Supervised Reward Model (PRM)は、トレーニングフェーズ中にステップバイステップのフィードバックをLLMに提供する。 LLMの探索経路を最適化するために,PRMからのステップレベルのフィードバックを応用した欲求探索アルゴリズムを提案する。提案手法の汎用性を探るため,コーディングタスクのステップレベル報酬データセットを自動生成する手法を開発し,コード生成タスクにおける同様の性能向上を観察する。
論文参考訳（メタデータ） (2023-10-16T05:21:50Z)
Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-04T01:47:37Z)

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。