論文の概要: MeEvo: Metacognitive Evolution Combined with Natural Evolution for Automatic Heuristic Design
- arxiv url: http://arxiv.org/abs/2606.14202v2
- Date: Mon, 15 Jun 2026 02:42:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 13:45:31.304036
- Title: MeEvo: Metacognitive Evolution Combined with Natural Evolution for Automatic Heuristic Design
- Title（参考訳）: MeEvo:メタ認知進化と自然進化を組み合わせた自動ヒューリスティックデザイン
- Abstract要約: 自然進化とメタ認知進化を循環的に結合する2層自動ヒューリスティックデザインフレームワークであるMeEvoを提案する。
MeEvoは、特に複雑な制約のあるタスクにおいて、既存のLLMベースのAHDアーキテクチャよりも強く、より安定したパフォーマンスを実現している。
- 参考スコア（独自算出の注目度）: 17.812076497570157
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large Language Models (LLMs) have advanced Automatic Heuristic Design (AHD) by enabling heuristic generation through reasoning and code synthesis. Existing LLM-based AHD architectures mainly follow two paradigms: Natural Evolution, which uses crossover and mutation to explore heuristic programs, and Metacognitive Evolution, which refines reasoning through reflection. However, Natural Evolution discards reasoning traces, weakening knowledge inheritance and exploitation, while Metacognitive Evolution lacks population-level recombination, limiting exploration and increasing the risk of premature convergence. These limitations reduce search efficiency, stability, and solution quality on complex problems. To address this gap, we propose MeEvo, a dual-layer AHD framework that cyclically couples Natural Evolution and Metacognitive Evolution. Natural Evolution explores heuristic code while recording reasoning traces, fitness values, and errors into a shared history; Metacognitive Evolution then reflects on this history to generate improved heuristics that re-enter the parent pool for the next cycle. This design enables population-driven exploration and reflection-driven refinement to reinforce each other. Experiments on five optimization problems with two LLM backbones show that MeEvo achieves stronger and more stable performance than existing LLM-based AHD architectures, especially on complex constrained tasks.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、推論とコード合成を通じてヒューリスティック生成を可能にすることにより、高度な自動ヒューリスティック設計(AHD)を持つ。
既存のLLMベースのAHDアーキテクチャは主に、クロスオーバーと突然変異を使ってヒューリスティックなプログラムを探索するNatural Evolutionと、リフレクションを通じて推論を洗練するメタ認知進化の2つのパラダイムに従っている。
しかし、ナチュラル・エボリューションは推論の痕跡を捨て、知識の継承と利用を弱める一方、メタ認知的エボリューションは人口レベルの再結合を欠き、探索を制限し、早期収束のリスクを増大させる。
これらの制限により、複雑な問題に対する探索効率、安定性、解の質が低下する。
このギャップに対処するために,自然進化とメタ認知進化を循環的に結合する2層AHDフレームワークであるMeEvoを提案する。
メタ認知進化は、この歴史を反映し、改良されたヒューリスティックを生成し、次のサイクルのために親プールに再突入する。
この設計により、人口主導の探検とリフレクション駆動による改良が互いに強化される。
2つのLLMバックボーンによる5つの最適化問題の実験により、MeEvoは既存のLLMベースのAHDアーキテクチャ、特に複雑な制約のあるタスクにおいて、より強力で安定した性能を達成することが示された。
関連論文リスト
- MOSAIC: Adversarial Co-evolution of Specialist Heuristics and Problem Instances for LLM-based Automated Heuristic Design [16.59846708454225]
本稿では,品質多様性(QD)アーカイブ内の問題インスタンスとスペシャリスト機能とを相互に共進化させるグリッドベースのフレームワークを提案する。
遠方グリッド領域からサンプリングされた各ペアに対して、LLM誘導進化ループは識別可能なインスタンスを生成する。
LLMは2つの反射を対比して、これらの領域に持続する多方向の洞察を生成し、交叉と突然変異を誘導する。
論文 参考訳（メタデータ） (2026-07-31T04:22:17Z) - MobEvolve: An Agentic Self-Evolving Heuristic System for Interpretable Human Mobility Generation [51.824145170051516]
MobEvolveは、人間のモビリティ生成のための自己進化フレームワークである。
エージェントを使用して、内部ロジックを反復的に進化させる。
最先端の深層生成法とLLMベースの手法を著しく上回っている。
論文 参考訳（メタデータ） (2026-06-01T03:46:25Z) - CausalEvolve: Towards Open-Ended Discovery with Causal Scratchpad [72.197582948888]
本研究では,Large Language Models (LLMs) を利用した因果スクラッチパッドを備えたCausalEvolveを開発した。
CaulEvolveはまず、目標目標を改善するための補完的なインスピレーションを提供する結果レベルの要因を特定します。
進化の過程では、CausalEvolveは進化中の驚きのパターンを検査し、新たな要因を仮説化することで、新たな方向性を提供する。
論文 参考訳（メタデータ） (2026-03-15T19:53:31Z) - Top 10 Open Challenges Steering the Future of Diffusion Language Model and Its Variants [85.33837131101342]
本稿では,基盤基盤,アルゴリズム最適化,認知推論,統合マルチモーダルインテリジェンスという4つの柱で構成された戦略ロードマップを提案する。
この移行は、複雑な構造的推論、動的自己補正、シームレスなマルチモーダル統合が可能な次世代AIの開発に不可欠である、と我々は主張する。
論文 参考訳（メタデータ） (2026-01-20T14:58:23Z) - Cognitive Alpha Mining via LLM-Driven Code-Based Evolution [29.71597480304934]
我々は,コードレベルのアルファ表現とLLMによる推論と進化的探索を組み合わせた認知的アルファマイニングフレームワーク(CogAlpha)を紹介する。
LLMを適応認知エージェントとして扱うことで、我々のフレームワークは、プロンプトや金銭的フィードバックを通じて、アルファ候補を反復的に洗練し、変異し、再結合します。
A-共有平衡の実験は、CogAlphaが既存の方法よりも優れた予測精度、堅牢性、一般化を持つアルファを一貫して発見することを示した。
論文 参考訳（メタデータ） (2025-11-24T07:45:59Z) - CoT-Evo: Evolutionary Distillation of Chain-of-Thought for Scientific Reasoning [63.44477226386808]
先進的な大規模言語モデル(LLM)からのCoT蒸留は、一般的な推論タスクにおいて有効であることが証明されている。
しかし、先進的なモデルでさえ、誤った、あるいは表面的な推論をしばしば生み出す科学領域では苦戦している。
この問題を解決するために, 進化的CoT蒸留フレームワークであるCoT-Evoを提案する。
論文 参考訳（メタデータ） (2025-10-15T05:29:56Z) - Towards Understanding How Knowledge Evolves in Large Vision-Language Models [55.82918299608732]
我々はマルチモーダル知識がどのように進化し、最終的にLVLM(Large Vision-Language Models)において自然言語を誘導するかを考察する。
知識進化における2つの重要なノードを同定する: 臨界層と突然変異層、進化過程を3段階に分割する: 急速な進化、安定化、突然変異。
我々の研究は、LVLMにおける知識進化の軌跡を初めて明らかにし、その基盤となるメカニズムを理解するための新たな視点を提供する。
論文 参考訳（メタデータ） (2025-03-31T17:35:37Z) - A Survey on Self-Evolution of Large Language Models [116.54238664264928]
大規模言語モデル(LLM)は、様々な分野やインテリジェントエージェントアプリケーションにおいて大きく進歩している。
この問題に対処するために、LLMが自律的に獲得し、洗練し、モデル自身によって生成された経験から学ぶことができる自己進化的アプローチが急速に成長している。
論文 参考訳（メタデータ） (2024-04-22T17:43:23Z) - ReEvo: Large Language Models as Hyper-Heuristics with Reflective Evolution [35.39046514910755]
本稿では,言語ハイパーヒューリスティックス(LHHs)について紹介する。
LHHを効果的に探索するための進化探索(ReEvo)と、空間内の言語的勾配を提供する反射の新たな統合である。
論文 参考訳（メタデータ） (2024-02-02T05:04:51Z) - When Large Language Models Meet Evolutionary Algorithms: Potential Enhancements and Challenges [50.280704114978384]
事前訓練された大規模言語モデル(LLM)は、自然なテキストを生成する強力な能力を示す。
進化的アルゴリズム(EA)は、複雑な現実世界の問題に対する多様な解決策を発見できる。
論文 参考訳（メタデータ） (2024-01-19T05:58:30Z)
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。