論文の概要: Multi-Source and Cross-Scenario Strategy-Guided Code Optimization

• arxiv url: http://arxiv.org/abs/2607.20353v1
• Date: Wed, 22 Jul 2026 16:38:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.158632
• Title: Multi-Source and Cross-Scenario Strategy-Guided Code Optimization
• Title（参考訳）: マルチソースおよびクロスシナリオ戦略ガイドコード最適化
• Authors: Yuwei Zhao, Qianyu Xiao, Ye Cui, Yijun Yu, Yingfei Xiong,
• Abstract要約: シナリオ間で複数の知識ソースを統合するLLMベースのコード最適化フレームワークであるMoSTを提案する。 MoSTは、異なる知識ソースのアイテムをエビデンスオブジェクトとして一様に表現し、ストラテジーを識別するためにクロスソースおよびクロスシナリオな方法でクラスタ化し、静的解析ルールを生成するために必要なときにターゲットシナリオに転送する。 15の現実世界のプロジェクトを最適化すると、MoSTは19.72%-717.42%の最大改善と4.44%-258.17%のプロジェクトのパフォーマンステストが達成され、SemOptとCodexを大きく上回っている。
• 参考スコア（独自算出の注目度）: 7.5172656233035005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated code optimization improves program performance by refactoring source code, and recent studies use LLMs to generate optimization patches. The newest approaches are strategy-guided: they summarize strategies from historical optimization commits as static analysis rules, and use these rules to match code locations for LLMs to optimize. However, these approaches have two limitations: (1) the strategies may come from other knowledge sources, such as textbooks and web pages, but the existing approaches cannot utilize them; (2) a strategy may be applicable to different scenarios, e.g., different programming languages, but existing approaches can only formalize strategies for the scenario to which the source commit belongs. To address these limitations, we propose MoST, an LLM-based code optimization framework that integrates multiple knowledge sources across scenarios. MoST uniformly represents items in different knowledge sources as evidence objects, clusters them in a cross-source and cross-scenario manner to identify strategies, and transfers them to the target scenario when necessary for generating static analysis rules. To implement this process, MoST employs a novel self-balanced weighted clustering algorithm to balance evidence objects from different knowledge sources, and a novel example transfer procedure to ensure the quality of the generated rules when transferring across scenarios. On a benchmark containing 151 C/C++, 150 Python, and 50 Rust historical optimization tasks, compared with SemOpt, MoST yields 24.44%-180.00% and 21.88%-37.50% more patches that are exactly the same as or semantically equivalent to developer patches, respectively. When optimizing 15 real-world projects, MoST achieves 19.72%-717.42% maximum improvements and 4.44%-258.17% average improvements for the performance tests in the projects, significantly outperforming SemOpt and Codex.
• Abstract（参考訳）: コードの自動最適化は、ソースコードをリファクタリングすることでプログラムのパフォーマンスを向上し、最近の研究では、最適化パッチを生成するためにLLMを使用している。 彼らは、過去の最適化コミットからの戦略を静的分析ルールとして要約し、これらのルールを使用してLCMのコード位置と一致させ、最適化する。 しかし,これらの手法には,(1)教科書やWebページなど他の知識ソースから戦略を導き出すことができるが,既存の手法では利用できない,(2)異なるシナリオ,例えば異なるプログラミング言語に戦略を適用することができるが,既存の手法は,ソースコミットが属するシナリオに対してのみ戦略を定式化することができる,という2つの制限がある。 これらの制約に対処するため,シナリオ間で複数の知識ソースを統合するLLMベースのコード最適化フレームワークであるMoSTを提案する。 MoSTは、異なる知識ソースのアイテムをエビデンスオブジェクトとして一様に表現し、ストラテジーを識別するためにクロスソースおよびクロスシナリオな方法でクラスタ化し、静的解析ルールを生成するために必要なときにターゲットシナリオに転送する。 このプロセスを実現するために、MoSTは、異なる知識ソースからのエビデンスオブジェクトのバランスをとるために、新しい自己バランスの重み付けクラスタリングアルゴリズムと、シナリオ間での転送時に生成されたルールの品質を保証するための新しいサンプル転送手順を採用している。 SemOptと比較すると、151のC/C++、150のPython、50のRustの履歴最適化タスクを含むベンチマークでは、MoSTは24.44%-180.00%と21.88%-37.50%のパッチがそれぞれ、開発者パッチと全く同じまたは意味的に同等である。 15の現実世界のプロジェクトを最適化すると、MoSTは19.72%-717.42%の最大改善と4.44%-258.17%のプロジェクトのパフォーマンステストが達成され、SemOptとCodexを大きく上回っている。

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)
• SOCRATES: Simulation Optimization with Correlated Replicas and Adaptive Trajectory Evaluations [25.18297372152296]
  SOCRATESは、調整されたSOアルゴリズムの設計を自動化する新しい2段階のプロシージャである。 実システムのデジタルレプリカのアンサンブルは、ベースラインSOアルゴリズムのセットを評価するテストベッドとして使用される。 LLMはメタ最適化器として機能し、これらのアルゴリズムのパフォーマンストラジェクトリを分析して、最終的なハイブリッド最適化スケジュールを反復的に修正し構成する。
  論文  参考訳（メタデータ） (2025-11-01T19:57:38Z)
• SemOpt: LLM-Driven Code Optimization via Rule-Based Analysis [7.451702651736553]
  SemOptは静的プログラム分析を利用して最適化可能なコードセグメントを正確に識別し、対応する最適化戦略を検索し、最適化結果を生成するフレームワークである。 151の最適化タスクを含むベンチマークにおいて、SemOptは、ベースラインに比べて1.38から28倍の最適化を成功させることにより、異なるLLM下での有効性を示す。
  論文  参考訳（メタデータ） (2025-10-18T07:44:18Z)
• Plan before Solving: Problem-Aware Strategy Routing for Mathematical Reasoning with LLMs [49.995906301946]
  既存の手法は通常、数学的推論を行うためにLLM(Large Language Models)をガイドするための固定戦略を利用する。 分析の結果,単一戦略は問題固有の要件に適応できず,有効性と効率性のトレードオフを見落としていることが明らかとなった。 本稿では,PRISM(Planning and Routing through Instance-Specific Modeling)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T07:22:41Z)
• Scalability of Reinforcement Learning Methods for Dispatching in Semiconductor Frontend Fabs: A Comparison of Open-Source Models with Real Industry Datasets [40.434003972007744]
  我々は,オープンソースのシミュレーションモデルと実業界データセットを比較し,最適化手法のスケーリング方法を評価する。 提案した進化戦略に基づく手法は、同等の政策段階に基づく手法よりもはるかに優れていることを示す。 進化戦略を用いて,2桁のタドネス向上と1桁のスループット向上を観察した。
  論文  参考訳（メタデータ） (2025-05-16T11:32:29Z)
• Collab: Controlled Decoding using Mixture of Agents for LLM Alignment [90.6117569025754]
  人間のフィードバックからの強化学習は、大規模言語モデルを整合させる効果的な手法として現れてきた。 制御された復号化は、再訓練せずに推論時にモデルを整列するメカニズムを提供する。 本稿では,既存の既成のLCMポリシを活用するエージェントベースのデコーディング戦略の混合を提案する。
  論文  参考訳（メタデータ） (2025-03-27T17:34:25Z)
• IMPROVE: Iterative Model Pipeline Refinement and Optimization Leveraging LLM Experts [28.9807389592324]
  機械学習のワークフローを自動化するための有望なソリューションとして、大規模言語モデル(LLM)エージェントが登場した。 LLM駆動のMLパイプライン設計のための新しい戦略であるIterative Refinementを紹介します。 実際のトレーニングフィードバックに基づいて個々のコンポーネントを体系的に更新することにより、イテレーティブリファインメントはモデル全体のパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2025-02-25T01:52:37Z)
• Unleashing the Potential of Large Language Models as Prompt Optimizers: Analogical Analysis with Gradient-based Model Optimizers [108.72225067368592]
  本稿では,大規模言語モデル(LLM)に基づくプロンプトの設計について検討する。 モデルパラメータ学習における2つの重要な要素を同定する。 グラディエントにインスパイアされた Prompt ベースの GPO を開発した。
  論文  参考訳（メタデータ） (2024-02-27T15:05:32Z)

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。