論文の概要: EvoOptiGraph: Weakness-Driven Coevolution via Graph-Based Structural Generation for Optimization Modeling

• arxiv url: http://arxiv.org/abs/2606.26578v1
• Date: Thu, 25 Jun 2026 03:57:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.154651
• Title: EvoOptiGraph: Weakness-Driven Coevolution via Graph-Based Structural Generation for Optimization Modeling
• Title（参考訳）: EvoOptiGraph: 最適化モデリングのためのグラフベース構造生成による弱み駆動型共進化
• Abstract要約: EvoOptiGraphは、モデル弱点によって駆動される、データとモデルが共進化するフレームワークである。 トレーニングは、初期データセット上の教師付き微調整(SFT)と、検証可能な報酬付き強化学習(RLVR)の2段階で行われる。 その結果,EvoOptiGraphの精度,実行可能性,一般化において,より大規模なジェネラリストモデル,エージェント手法,特殊ベースラインを著しく上回ることがわかった。
• 参考スコア（独自算出の注目度）: 19.76518386029908
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automating optimization modeling from natural language with large language models (LLMs) faces two key challenges. First, training corpora lack structural diversity. Second, data generation pipelines remain static and decoupled from model learning. To address these challenges, we propose EvoOptiGraph, a novel framework where data and model co-evolve, driven by model weaknesses. EvoOptiGraph represents each mixed-integer linear program (MILP) as an attributed bipartite graph and applies validity-preserving evolutionary operators to generate structurally diverse instances. The evolved graphs are converted into solver code and natural language via deterministic compilation and verified back-translation. Training proceeds in two stages: supervised fine-tuning (SFT) on an initial dataset, followed by reinforcement learning with verifiable rewards (RLVR), where graph-derived weakness signals guide the generation of new instances targeting the model's failures. This forms a closed loop that continuously updates the training distribution. Empirical results on six public datasets show that EvoOptiGraph significantly outperforms larger generalist models, agentic methods, and specialized baselines in accuracy, executability, and generalization. These results demonstrate that targeted data-model coevolution is an effective strategy for improving LLMs on optimization modeling tasks.
• Abstract（参考訳）: 大規模言語モデル(LLM)を用いた自然言語からの最適化モデリングの自動化は、2つの大きな課題に直面している。 第一に、トレーニングコーパスには構造的な多様性がない。 次に、データ生成パイプラインは静的のままで、モデル学習とは分離される。 これらの課題に対処するために,データとモデルが共進化する新しいフレームワークであるEvoOptiGraphを提案する。 EvoOptiGraphは、それぞれの混合整数線形プログラム(MILP)を属性付き二部グラフとして表現し、妥当性を保つ進化演算子を適用して構造的に多様なインスタンスを生成する。 進化したグラフは、決定論的コンパイルと検証されたバックトランスレーションによって、ソルバコードと自然言語に変換される。 トレーニングは、初期データセット上の教師付き微調整(SFT)と、検証可能な報酬(RLVR)による強化学習の2段階で行われる。 これはクローズドループを形成し、トレーニングディストリビューションを継続的に更新する。 6つの公開データセットの実証的な結果から、EvoOptiGraphはより大きなジェネラリストモデル、エージェントメソッド、精度、実行可能性、一般化において特別なベースラインを著しく上回ります。 これらの結果から,目標データモデル共進化は,最適化モデルタスクにおけるLLMの改善に有効な戦略であることが示唆された。

関連論文リスト

• DARWIN: Dynamic Agentically Rewriting Self-Improving Network [0.0]
  DARWINは進化的GPTモデルであり、遺伝的アルゴリズムのような最適化構造を利用する。 各イテレーションにおいて、GPTモデルは、突然変異のような方法でパフォーマンスを改善するために、互いのトレーニングコードを変更するように促される。 次に、最高のGPTエージェントをベンチマークし、遺伝的アルゴリズムによって次のイテレーションに選択する。
  論文  参考訳（メタデータ） (2026-02-05T16:35:46Z)
• Middo: Model-Informed Dynamic Data Optimization for Enhanced LLM Fine-Tuning via Closed-Loop Learning [44.53583316198435]
  Supervised Fine-Tuning (SFT) Large Language Modelsは高品質なトレーニングデータに依存している。 自己進化型モデル駆動動的データ最適化フレームワークであるMiddoを紹介した。 その結果,Middoはシードデータの品質を継続的に向上し,LLMの性能を平均7.15%向上させることができた。
  論文  参考訳（メタデータ） (2025-08-29T12:47:27Z)
• Evolutionary Generative Optimization: Towards Fully Data-Driven Evolutionary Optimization via Generative Learning [41.44929681213813]
  我々は、生成学習によって強化された完全なデータ駆動型フレームワークを提案する。 EvoGOは進化的最適化プロセスを、データ準備、モデルトレーニング、人口生成の3段階に合理化している。 数値ベンチマーク、古典的な制御問題、高次元ロボットタスクの実験により、EvoGOはわずか10世代で一貫して収束することを示した。
  論文  参考訳（メタデータ） (2025-08-01T07:17:57Z)
• C2-Evo: Co-Evolving Multimodal Data and Model for Self-Improving Reasoning [78.36259648527401]
  C2-Evoは、トレーニングデータとモデル機能の両方を共同で進化させる、自動クローズドループ自己改善フレームワークである。 C2-Evoは、複数の数学的推論ベンチマークにおいて、一定の性能向上が得られることを示す。
  論文  参考訳（メタデータ） (2025-07-22T12:27:08Z)
• Graph Data Selection for Domain Adaptation: A Model-Free Approach [54.27731120381295]
  グラフドメイン適応(GDA)は、グラフ機械学習の基本的なタスクである。 本稿では,対象ドメインの分類タスクに対して,ソースドメインから最高のトレーニングデータを選択する新しいモデルフリーフレームワークであるGRADATEを提案する。 GRADATEは既存の選択法よりも優れており、トレーニングデータが少なく、市販のGDA法を向上する。
  論文  参考訳（メタデータ） (2025-05-22T21:18:39Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Unbiased Learning of Deep Generative Models with Structured Discrete Representations [7.9057320008285945]
  構造化可変オートエンコーダ(SVAE)の学習のための新しいアルゴリズムを提案する。 我々はSVAEがデータの欠落時に個別の潜伏変数を組み込むことでマルチモーダル不確実性を扱う能力を初めて示す。 メモリ効率の高い暗黙差分法により,SVAEは不完全最適化に対して頑健さを示しつつ,勾配降下により学習しやすくなった。
  論文  参考訳（メタデータ） (2023-06-14T03:59:21Z)
• uGLAD: Sparse graph recovery by optimizing deep unrolled networks [11.48281545083889]
  深層ネットワークを最適化してスパースグラフ復元を行う新しい手法を提案する。 我々のモデルであるuGLADは、最先端モデルGLADを教師なし設定に構築し、拡張します。 我々は, 遺伝子調節ネットワークから生成した合成ガウスデータ, 非ガウスデータを用いて, モデル解析を行い, 嫌気性消化の事例研究を行った。
  論文  参考訳（メタデータ） (2022-05-23T20:20:27Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)

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。