論文の概要: COOPA: A Modular LLM Agent Architecture for Operations Research Problems
- arxiv url: http://arxiv.org/abs/2606.27611v1
- Date: Thu, 25 Jun 2026 23:56:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.328886
- Title: COOPA: A Modular LLM Agent Architecture for Operations Research Problems
- Title（参考訳）: COOPA: オペレーションリサーチ問題のためのモジュール型LLMエージェントアーキテクチャ
- Abstract要約: Operations Research (OR)は、高い意思決定のための厳格な枠組みを提供する。
最近のLSMベースのシステムはパイプラインの一部を自動化しているが、複雑な問題に対して低い精度で制限されている。
本稿では,解釈可能かつスケーラブルなOR決定支援のためのモジュール型LLMエージェントアーキテクチャであるCOOPAを提案する。
- 参考スコア（独自算出の注目度）: 45.369080363530976
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Operations Research (OR) provides a rigorous framework for high-stakes decision-making, but effective OR modeling requires substantial domain knowledge, mathematical abstraction, and solver expertise. Recent LLM-based systems automate parts of this pipeline, yet remain limited by low accuracy on complex problems, opaque outputs, and narrow solver support. We propose COOPA (COoperative OPerations Agent), a modular LLM-agent architecture for interpretable and scalable OR decision support. It combines three components: iterative confidence-based modeling, which generates multiple candidate formulations, self-evaluates them across modeling dimensions, and selects one using a max-min confidence criterion; element-level provenance and confidence explanations, which link variables, parameters, constraints, and objectives to quoted source text and provide an audit trail for human verification; and multi-solver routing to specialized optimizer agents for different OR problem classes. Across three OR benchmarks, eight LLM backbones, and four baselines under identical conditions, COOPA achieves the best macro-average accuracy on six of eight backbones and improves over the strongest baseline by up to 6.7 percentage points. A within-system ablation isolates the contribution of iterative confidence-based modeling, while additional analyses and case studies illustrate the value of source traceability and multi-solver dispatch.
- Abstract（参考訳）: オペレーションリサーチ(OR)は、高い意思決定のための厳密なフレームワークを提供するが、効果的なORモデリングには、相当量のドメイン知識、数学的抽象化、問題解決の専門知識が必要である。
近年のLSMベースのシステムはパイプラインの一部を自動化するが、複雑な問題や不透明な出力、狭義の解法のサポートにより制限されている。
我々は,解釈可能かつスケーラブルなOR決定支援のためのモジュール型LCMエージェントであるCOOPA(Cooperative OPerations Agent)を提案する。
反復的信頼に基づくモデリングは、複数の候補の定式化を生成し、モデリング次元をまたいだ自己評価を行い、最大信頼度基準(max-min confidence criterion)を用いて1つを選択する、要素レベルの証明と信頼の説明(変数、パラメータ、制約、目的を引用したソーステキストにリンクする)、人間の検証のための監査証跡を提供する、複数のOR問題クラスのオプティマイザエージェントへのマルチソルバルーティングである。
3つのORベンチマーク、8つのLDMバックボーン、4つのベースラインが同じ条件下で、COOPAは8つのバックボーンのうち6つのマクロ平均精度を達成し、最強のベースラインを最大6.7%改善する。
システム内アブレーションは、反復的信頼に基づくモデリングの貢献を分離し、追加の分析とケーススタディは、ソーストレーサビリティとマルチゾルバディスパッチの価値を示す。
関連論文リスト
- OptiAgent: End-to-End Optimization Modeling via Multi-Agent Iterative Refinement [0.0]
OptiAgentは、解決可能な数学的定式化だけでなく、実行可能なコードも出力できるマルチエージェントフレームワークである。
我々のアーキテクチャは、専用のエージェントが構造を抽出する数学的モデリングステップを優先する。
4つの特別なフィードバック機構を持つ新しいマルチループ検証アーキテクチャを導入し、それぞれが異なる障害モードをターゲットにしている。
論文 参考訳（メタデータ） (2026-07-06T17:27:16Z) - Scoring, Reasoning, and Selecting the Best! Ensembling Large Language Models via a Peer-Review Process [58.265053900416895]
LLM-PeerReviewは、ピアレビューに触発された新しいフレームワークの上に構築されている。
スコアリングには、新たなLCM-as-a-Judgeテクニックを使用します。
推論にはグラフィカルモデルに基づく真理推論アルゴリズムを適用する。
最後に、最高スコア応答をベストアンサンブル出力として選択する。
論文 参考訳（メタデータ） (2025-12-29T05:25:49Z) - Experts are all you need: A Composable Framework for Large Language Model Inference [8.747592414164687]
大規模言語モデル(LLM)は、様々な自然言語処理(NLP)タスクにおいて最先端の精度を達成した。
MoEは、パラメータや"専門家"のサブセットのみを活性化することによって、モデルキャパシティを計算から切り離すことで、このボトルネックを克服する。
論文 参考訳（メタデータ） (2025-11-28T08:00:16Z) - LM4Opt-RA: A Multi-Candidate LLM Framework with Structured Ranking for Automating Network Resource Allocation [0.7933039558471408]
我々は,複雑な解析的および数学的推論タスクに,文脈的理解が不要であることに対処する。
既存のベンチマークデータセットは、動的な環境、変数、不均一な制約でそのような問題の複雑さに対処できない。
NL4RAは、LP、ILP、MILPとして定式化された50のリソース割り当て最適化問題からなるキュレートデータセットである。
次に,パラメータ数が異なるオープンソースのLLMの性能評価を行った。
論文 参考訳（メタデータ） (2025-11-13T23:19:43Z) - An Agentic Framework with LLMs for Solving Complex Vehicle Routing Problems [66.60904891478687]
複雑な車両ルーティング問題を解決するために,LLM (AFL) を用いたエージェントフレームワークを提案する。
AFLは生の入力から知識を直接抽出し、自己完結型コード生成を可能にする。
AFLは、コード信頼性とソリューション実現性の両方において、既存のLCMベースのベースラインを大幅に上回っていることを示す。
論文 参考訳（メタデータ） (2025-10-19T03:59:25Z) - Uncertainty-Aware Answer Selection for Improved Reasoning in Multi-LLM Systems [55.6590601898194]
大規模言語モデル(LLM)は例外的な機能を示しているが、複数のLLMから最も信頼性の高い応答を選択することは依然として困難である。
既存のアプローチは、しばしばコストのかかる外部検証器、人間の評価器、または単一のモデルから複数のサンプルを必要とする自己整合技術に依存している。
校正されたログ類似度スコアを用いて,複数のLLMから最適な応答を選択するための,原理的,斬新で,計算的に効率的な手法を提案する。
論文 参考訳（メタデータ） (2025-09-30T01:25:19Z) - MSCoRe: A Benchmark for Multi-Stage Collaborative Reasoning in LLM Agents [7.339769470891067]
MSCoReは、自動車、医薬品、エレクトロニクス、エネルギー分野のシナリオにまたがる126696ドメイン固有のQAインスタンスからなる新しいベンチマークである。
商用モデルはすべてのタスクやシナリオで最高に機能するが、ROUGEのスコアの顕著な差は、単純なタスクと複雑なタスクの間にある。
MSCoReは、LLMエージェントの多段階推論を評価し改善するための、コミュニティにとって価値のある新しいリソースを提供する。
論文 参考訳（メタデータ） (2025-09-22T11:36:16Z) - RefactorCoderQA: Benchmarking LLMs for Multi-Domain Coding Question Solutions in Cloud and Edge Deployment [20.416910591388618]
本稿では,Large Language Models (LLM) の性能を評価するためのベンチマークであるRefactorCoderQAを紹介する。
我々の微調整モデルであるRefactorCoder-MoEは最先端のパフォーマンスを実現し、オープンソースと商用のベースラインを76.84%で上回りました。
論文 参考訳（メタデータ） (2025-09-12T17:44:22Z) - IDA-Bench: Evaluating LLMs on Interactive Guided Data Analysis [60.32962597618861]
IDA-Benchは、多ラウンドの対話シナリオで大規模言語モデルを評価する新しいベンチマークである。
エージェント性能は、最終的な数値出力と人間由来のベースラインを比較して判断する。
最先端のコーディングエージェント(Claude-3.7-thinkingなど)でさえ50%のタスクを成功させ、シングルターンテストでは明らかでない制限を強調している。
論文 参考訳（メタデータ） (2025-05-23T09:37:52Z) - Latent Preference Coding: Aligning Large Language Models via Discrete Latent Codes [54.93980123979578]
我々は、暗黙の要因をモデル化する新しいフレームワークであるLatent Preference Coding (LPC)を紹介する。
LPCは様々なオフラインアライメントアルゴリズムとシームレスに統合し、基礎となる要因とデータからその重要性を自動的に推測する。
論文 参考訳（メタデータ） (2025-05-08T06:59:06Z) - OR-LLM-Agent: Automating Modeling and Solving of Operations Research Optimization Problems with Reasoning LLM [15.260794368585692]
自動オペレーションリサーチ問題解決のためのLLMを推論するAIエージェントフレームワークであるOR-LLM-Agentを提案する。
GPT-o3, Gemini 2.5 Pro, DeepSeek-R1, ORLMなどの高度な手法よりも, OR-LLM-Agentの精度を7%以上向上させることを示す。
論文 参考訳（メタデータ） (2025-03-13T03:40:50Z)
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。