論文の概要: Semantics-Aware Bilevel Co-Evolution: Towards Automated Multicomponent Algorithm Design
- arxiv url: http://arxiv.org/abs/2606.29953v1
- Date: Mon, 29 Jun 2026 08:28:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.129186
- Title: Semantics-Aware Bilevel Co-Evolution: Towards Automated Multicomponent Algorithm Design
- Title（参考訳）: 意味論的二段階共進化:自動多成分アルゴリズム設計を目指して
- Abstract要約: LLM支援進化探索(LES)は,自動アルゴリズム設計において有望なパラダイムとして登場した。
本稿では,自動多成分アルゴリズム設計のためのLES方式STABLEを提案する。
- 参考スコア（独自算出の注目度）: 34.28112311806716
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LLM-assisted evolutionary search (LES) has emerged as a promising paradigm for automated algorithm design. However, existing methods usually suffer from two inherent limitations when facing the automated design of real-world complex algorithms that usually consist of multiple components. The first limitation is that they either focus on modifying entire algorithms, making it difficult to reuse high-quality components, or concentrate on component refinement within a limited set of predefined multicomponent configurations. The second limitation is the insufficient explicit modeling and exploitation of algorithm semantics. These limitations severely degrade search efficiency and hinder effective exploration of complex design spaces. Therefore, this paper proposes STABLE (Semantics-Aware Bilevel Co-Evolution), an LES method purpose-built for automated multicomponent algorithm design that introduces structural algorithm formulation and semantics-driven evolution. In STABLE, complex algorithms are organized into hierarchical and modular architectures rooted in domain knowledge, aligning the search space with their intrinsic compositional traits. Based on this structured algorithm formulation, STABLE simultaneously optimizes high-level multicomponent configurations and low-level functional components, enabling coordinated cross-level updates while maintaining suitable granularities for design space exploration. At each level, STABLE establishes a multi-faceted semantic model to assist LLMs in capturing structural correlations, functional compatibilities, and inherent rationalities among algorithm components. This semantic model serves as the core guidance for evolutionary search, enabling principled algorithm generation and algorithm evaluation. Extensive experiments demonstrate that STABLE outperform both human-designed baselines and those from advanced LES methods.
- Abstract（参考訳）: LLM支援進化探索(LES)は,自動アルゴリズム設計において有望なパラダイムとして登場した。
しかし、既存の手法は、通常複数のコンポーネントから構成される実世界の複雑なアルゴリズムの自動設計に直面している場合、通常2つの固有の制限に悩まされる。
最初の制限は、アルゴリズム全体を修正することに集中し、高品質なコンポーネントの再利用を困難にするか、あるいは事前定義された複数コンポーネント構成の限定セット内でコンポーネントの洗練に集中することである。
第2の制限は、アルゴリズムのセマンティクスの明確なモデリングと利用が不十分であることである。
これらの制限は探索効率を著しく低下させ、複雑な設計空間の効率的な探索を妨げる。
そこで本研究では,構造化アルゴリズムの定式化とセマンティックス駆動の進化を取り入れた,自動多成分アルゴリズム設計のためのLES手法STABLEを提案する。
STABLEでは、複雑なアルゴリズムはドメイン知識に根ざした階層的かつモジュラーなアーキテクチャに分類され、探索空間と固有の構成特性を整合させる。
この構造化アルゴリズムの定式化に基づき、STABLEは高レベルのマルチコンポーネント構成と低レベルの機能コンポーネントを同時に最適化し、設計空間探索に適した粒度を維持しつつ、協調的なクロスレベル更新を可能にする。
各レベルにおいて、STABLEは多面的セマンティックモデルを確立し、LLMがアルゴリズムコンポーネント間の構造的相関、機能的適合性、および固有の合理性を取得するのを支援する。
このセマンティックモデルは進化的探索のコアガイダンスとして機能し、アルゴリズム生成とアルゴリズム評価を可能にする。
大規模な実験により、STABLEはヒトが設計したベースラインと高度なLES法の両方より優れていることが示された。
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) - A2DEPT: Large Language Model-Driven Automated Algorithm Design via Evolutionary Program Trees [8.49373236378493]
大規模言語モデル(LLM)に基づく自動ヒューリスティックデザイン(AHD)は、人間の介入を最小限に抑えて、自律的にコンポーネントを生成することを約束している。
剛性テンプレートを超えたオープンエンドソルバを実現するために,A2DEPT(Automated Evolutionary Program Trees)を提案する。
A2DEPTは、ハイブリッド選択と階層演算子による木構造進化探索を通じて広大なプログラム空間を探索し、完全なアルゴリズムを反復的に洗練することができる。
論文 参考訳（メタデータ） (2026-04-27T05:07:10Z) - BEAM: Bi-level Memory-adaptive Algorithmic Evolution for LLM-Powered Heuristic Design [49.50107918295052]
大規模言語モデルに基づくハイパーヒューリスティック(LHH)は、最近、自動設計の効率的な方法として登場した。
この問題に対処するために textbfBEAM (Bi-level Memory-adaptive Algorithmic Evolution) を提案する。
BEAMは既存のLHHよりも著しく優れており、特に最適性ギャップが37.84%減少している。
論文 参考訳（メタデータ） (2026-04-14T15:46:47Z) - Advancing Automated Algorithm Design via Evolutionary Stagewise Design with LLMs [69.91297564489464]
EvoStageは、産業規模のアルゴリズム設計の厳密な要求とLLMベースのアルゴリズム設計のギャップを埋める新しい進化パラダイムである。
EvoStageは、アルゴリズム設計プロセスを逐次的に管理可能なステージに分解し、リアルタイム中間フィードバックを反復的に洗練されたアルゴリズム設計方向に統合する。
商用グレードの3Dチップ配置ツールにデプロイすると、EvoStageはオリジナルのパフォーマンス指標を大幅に上回り、記録破りの効率を達成する。
論文 参考訳（メタデータ） (2026-03-09T05:13:44Z) - K-Search: LLM Kernel Generation via Co-Evolving Intrinsic World Model [57.440609834690385]
既存のアプローチでは、進化ループ内の高速コードジェネレータとして、LLM(Large Language Models)を扱います。
我々は,共進化的世界モデルによる検索を提案し,この手法に基づいてK-Searchを構築する。
GQA, MLA, MoE カーネルを含む多種多様な複雑なカーネル上で K-Search を評価する。
論文 参考訳（メタデータ） (2026-02-22T11:06:22Z) - TIDE: Tuning-Integrated Dynamic Evolution for LLM-Based Automated Heuristic Design [7.264986493460248]
TIDEはTuning-Integrated Dynamic Evolutionフレームワークで、パラメータ最適化から構造的推論を分離するように設計されている。
9つの最適化問題に対する実験により、TIDEは最先端のチューニング方法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2026-01-29T04:00:02Z) - From Performance to Understanding: A Vision for Explainable Automated Algorithm Design [2.780126715305372]
この記事では、次のブレークスルーは、さらなる自動化ではなく、理解と自動化の結合によるものだ、と論じる。
3つの柱上に構築された説明可能な自動アルゴリズム設計のビジョンを概説する。
これらの要素は、発見、説明、一般化が互いに強化される閉知識ループを形成する。
論文 参考訳（メタデータ） (2025-11-20T10:08:40Z) - LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。
LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。
LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
論文 参考訳（メタデータ） (2025-08-16T02:00:57Z) - From Understanding to Excelling: Template-Free Algorithm Design through Structural-Functional Co-Evolution [39.42526347710991]
大規模言語モデル(LLM)はアルゴリズム生成と最適化の自動化を大幅に加速した。
LLMに基づくエンドツーエンドのアルゴリズム生成と最適化フレームワークを提案する。
我々のアプローチは、LLMの深い意味理解を利用して、自然言語の要求や人間による論文をコードソリューションに変換する。
論文 参考訳（メタデータ） (2025-03-13T08:26:18Z) - Investigating Bi-Level Optimization for Learning and Vision from a
Unified Perspective: A Survey and Beyond [114.39616146985001]
機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。
本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。
次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
論文 参考訳（メタデータ） (2021-01-27T16:20:23Z) - Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding
Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。
古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。
提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文 参考訳（メタデータ） (2020-06-15T02:57:57Z)
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。