論文の概要: AlgoSkill: Learning to Design Algorithms by Scheduling Human-Like Skills
- arxiv url: http://arxiv.org/abs/2606.29999v1
- Date: Mon, 29 Jun 2026 09:09:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.156699
- Title: AlgoSkill: Learning to Design Algorithms by Scheduling Human-Like Skills
- Title（参考訳）: AlgoSkill: 人間のようなスキルをスケジューリングしてアルゴリズムを設計する学習
- Abstract要約: 本稿ではアルゴリズム設計をアルゴリズムスキルの型付きライブラリ上で逐次決定決定としてモデル化するAlgoSkillを提案する。
Monte Carlo Tree Searchコントローラは、コンパイル、テスト、ストレステスト、複雑性分析からの検証フィードバックを使用してシーケンスを探索する。
- 参考スコア（独自算出の注目度）: 7.798940465229644
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Designing an algorithm from a natural-language problem statement requires identifying the problem structure, reading constraints, choosing a suitable paradigm, checking correctness, and refining complexity. Existing large language model (LLM) methods often rely on direct generation or generic self-refinement, leaving these steps implicit. We propose AlgoSkill, which models algorithm design as sequential decision-making over a typed library of algorithmic skills, including abstraction, constraint analysis, state design, data-structure selection, proof checking, counterexample construction, and complexity refinement. A learned scheduler proposes skills from the current design state, while a Monte Carlo Tree Search (MCTS) controller explores skill sequences using verification feedback from compilation, testing, stress testing, and complexity analysis. Experiments on competitive programming and combinatorial optimization benchmarks show that AlgoSkill improves over direct LLM generation, chain-of-thought prompting, self-refinement, and MCTS without typed skills. Ablations show that typed skills, verification-based repair, and search-based scheduling each contribute to performance. These results support treating automatic algorithm design as verification-guided skill scheduling rather than one-shot code generation.
- Abstract（参考訳）: 自然言語の問題文からアルゴリズムを設計するには、問題構造を特定し、制約を読み、適切なパラダイムを選択し、正確性を確認し、複雑さを洗練する必要がある。
既存の大規模言語モデル(LLM)メソッドは、しばしば直接生成やジェネリック・セルフリファインメントに依存し、これらのステップを暗黙的に残す。
本稿では,アルゴリズム設計を抽象,制約解析,状態設計,データ構造選択,検証チェック,反例構築,複雑性改善など,アルゴリズムスキルの型付きライブラリ上での逐次決定決定としてモデル化するAlgoSkillを提案する。
学習したスケジューラが現在の設計状態からスキルを提案する一方で、Monte Carlo Tree Search(MCTS)コントローラは、コンパイル、テスト、ストレステスト、複雑性分析からの検証フィードバックを使用して、スキルシーケンスを探索する。
競合プログラミングと組合せ最適化ベンチマークの実験により、AlgoSkillは型付きスキルなしで直接LLM生成、チェーン・オブ・シンクレット・プロンプト、セルフリファインメント、MCTSよりも改善されていることが示された。
アブレーションは、型付きスキル、検証ベースの修復、検索ベースのスケジューリングがそれぞれパフォーマンスに寄与していることを示している。
これらの結果は,自動アルゴリズム設計をワンショットコード生成ではなく,検証誘導型スキルスケジューリングとして扱うことを支援する。
関連論文リスト
- AlgoBench: Benchmarking Algorithmic Adaptation in Code Generation [7.798940465229644]
ALGOBENCHは、既知の競合プログラミング問題から新しいアルゴリズム問題を自動生成するフレームワークである。
ALGOBENCHの変種では性能が急激に低下し、検索によって古いアルゴリズムの再利用が増加し、多くの正しい解が要求される複雑さを満たすことができないことを示す。
論文 参考訳（メタデータ） (2026-06-30T10:13:12Z) - Budget-Efficient Automatic Algorithm Design via Code Graph [2.982218441172364]
大規模言語モデル(LLM)は自動アルゴリズム設計(AAD)のための強力なツールとして登場した。
我々は予算効率のよい自動アルゴリズム設計を定式化し、検索ポリシーは計算コストに制限のある実現された適合性を最大化する。
提案手法を3つの最適化問題に対して実証的に検証し,同じトークン予算で全アルゴリズム探索よりもグラフ検索の方が一貫した優位性を示す。
論文 参考訳（メタデータ） (2026-05-11T14:01:52Z) - Evaluating Prompting and Execution-Based Methods for Deterministic Computation in LLMs [1.2957535240267326]
大規模言語モデル(LLM)は、自然言語の理解と推論において強力な能力を示している。
CoT(Chain-of-Thought)、Last-to-Most(Least-to-Most)、Program-of-Thought(PoT)、Self-Consistency(SC)など、複数のプロンプト戦略を体系的に評価する。
提案手法は, 逐次的タスクにおいて, 適度な精度しか達成できないことを示す。
論文 参考訳（メタデータ） (2026-05-04T23:32:37Z) - Early Discoveries of Algorithmist I: Promise of Provable Algorithm Synthesis at Scale [9.349595533902479]
Algorithmistは、GitHub Copilot上の自律的な研究者エージェントである。
プライベートデータ分析およびクラスタリングにおける研究レベルのタスクについて評価する。
結果は,LLMシステムが各データセットやデプロイメント設定に合わせて,研究論文品質のアルゴリズムアーティファクトを生成する新たなパラダイムを提案する。
論文 参考訳（メタデータ） (2026-03-23T04:06:55Z) - Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。
このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。
我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-10-07T17:49:24Z) - Discovering Algorithms with Computational Language Processing [0.7062238472483737]
本稿では,トークンとして表現された操作列を概念化し,アルゴリズム発見を自動化するフレームワークを提案する。
これらの計算トークンは文法を用いてチェーン化され、より洗練された手続きの形成を可能にする。
我々のアンサンブルであるモンテカルロ木探索(MCTS)は、強化学習(RL)によって導かれ、トークン連鎖を探索し、新しいトークンの作成を促進する。
論文 参考訳（メタデータ） (2025-07-03T21:45:17Z) - PlanGEN: A Multi-Agent Framework for Generating Planning and Reasoning Trajectories for Complex Problem Solving [89.60370366013142]
制約,検証,選択という3つの重要な要素を持つモデルに依存しない,スケーラブルなエージェントフレームワークであるPlanGENを提案する。
具体的には、推論時間アルゴリズムの性能を向上させるために、制約誘導反復検証を提案する。
論文 参考訳（メタデータ） (2025-02-22T06:21:56Z) - 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) - Contractual Reinforcement Learning: Pulling Arms with Invisible Hands [68.77645200579181]
本稿では,契約設計によるオンライン学習問題において,利害関係者の経済的利益を整合させる理論的枠組みを提案する。
計画問題に対して、遠目エージェントに対する最適契約を決定するための効率的な動的プログラミングアルゴリズムを設計する。
学習問題に対して,契約の堅牢な設計から探索と搾取のバランスに至るまでの課題を解き放つために,非回帰学習アルゴリズムの汎用設計を導入する。
論文 参考訳（メタデータ） (2024-07-01T16:53:00Z) - When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。
具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。
コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
論文 参考訳（メタデータ） (2023-08-29T17:22:39Z) - A Two-stage Framework and Reinforcement Learning-based Optimization
Algorithms for Complex Scheduling Problems [54.61091936472494]
本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。
スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。
その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
論文 参考訳（メタデータ） (2021-03-10T03:16:12Z)
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。