論文の概要: Uncertainty-Aware Simulation-Based Inference for Operations Research with Large Language Models

• arxiv url: http://arxiv.org/abs/2608.00019v1
• Date: Wed, 01 Jul 2026 10:39:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.144283
• Title: Uncertainty-Aware Simulation-Based Inference for Operations Research with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた操作研究のための不確実性を考慮したシミュレーションに基づく推論
• Abstract要約: 本研究では,操作研究(OR)数学的モデリングのための不確実性を考慮した学習自由推論フレームワークを提案する。 本手法は,下流予測の不確実性を定量化するために,ショートルックシミュレーションを用いて中間候補ステップを評価する。 複数のORベンチマークに対する実証的な評価は、我々のフレームワークが標準ベースラインと低温ベースラインの両方を一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 1.4906089414579664
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deploying large language models (LLMs) for operations research (OR) tasks remains challenging because correctness depends on a coherent modeling process, not merely a correct final answer. Standard autoregressive generation operates on a myopic policy, which sometimes fails to anticipate whether a partial formulation can be validly extended into a globally consistent optimization model. Consequently, locally plausible steps may propagate into catastrophic downstream formulation or solver code errors. To address this, we propose an uncertainty-aware, training-free inference framework for OR mathematical modeling. Without updating model parameters, our method evaluates intermediate candidate steps using short lookahead simulations to quantify downstream predictive uncertainty or probability concentration. Candidates that demonstrate a higher likelihood of yielding coherent mathematical formulations are then dynamically selected via importance resampling. Empirical evaluations across multiple OR benchmarks (including NL4OPT, MAMO, and IndustryOR) demonstrate that our framework consistently outperforms both standard and low-temperature baselines, establishing an efficient, training-free paradigm for reliable OR formulation generation.
• Abstract（参考訳）: 操作研究(OR)タスクのための大規模言語モデル(LLM)のデプロイは、単に正しい最終回答ではなく、一貫性のあるモデリングプロセスに依存するため、依然として困難である。 標準的な自己回帰生成は、一様一貫した最適化モデルに部分的な定式化を有効に拡張できるかどうかを予測できないミオピックポリシーで動作する。 その結果、局所的な可塑性ステップは破滅的な下流の定式化やソルバ符号の誤りへと伝播する可能性がある。 そこで本研究では,OR数学的モデリングのための不確実性を考慮したトレーニングフリー推論フレームワークを提案する。 本手法は,モデルパラメータを更新することなく,短時間のルックアヘッドシミュレーションを用いて中間候補ステップを評価し,下流の予測不確実性や確率集中を定量化する。 コヒーレントな数学的定式化をもたらす可能性を示す候補は、重要再サンプリングによって動的に選択される。 複数のORベンチマーク(NL4OPT、MAMO、IndustrialORを含む)に対する実証的な評価は、我々のフレームワークが標準と低温の両方のベースラインを一貫して上回り、信頼性の高いORホルマレーション生成のための効率的なトレーニングなしパラダイムを確立していることを示している。

関連論文リスト

• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• TableMind++: An Uncertainty-Aware Programmatic Agent for Tool-Augmented Table Reasoning [44.20336483508951]
  テーブル推論は、意味的理解と正確な数値操作を共同で行うモデルを必要とする。 これらの制約に対処するため、我々は以前TableMindをチューニングベースの自律型プログラムエージェントとして提案した。 この基盤をTableMind++に拡張し、新しい不確実性を認識した推論フレームワークを導入しました。
  論文  参考訳（メタデータ） (2026-03-08T08:31:33Z)
• A Probabilistic Perspective on Unlearning and Alignment for Large Language Models [48.96686419141881]
  大規模言語モデル(LLM)のための最初の形式的確率的評価フレームワークを紹介する。 すなわち,モデルの出力分布に関する確率保証の高い新しい指標を提案する。 私たちのメトリクスはアプリケーションに依存しないので、デプロイ前にモデル機能についてより信頼性の高い見積を行うことができます。
  論文  参考訳（メタデータ） (2024-10-04T15:44:23Z)
• Bayesian Nonparametrics Meets Data-Driven Distributionally Robust Optimization [29.24821214671497]
  機械学習と統計モデルのトレーニングは、しばしばデータ駆動型リスク基準の最適化を伴う。 ベイズ的非パラメトリック(ディリクレ過程)理論と、スムーズなあいまいさ-逆選好の最近の決定論的モデルを組み合わせた、新しいロバストな基準を提案する。 実用的な実装として、よく知られたディリクレプロセスの表現に基づいて、評価基準の抽出可能な近似を提案し、研究する。
  論文  参考訳（メタデータ） (2024-01-28T21:19:15Z)
• Deciding What to Model: Value-Equivalent Sampling for Reinforcement Learning [21.931580762349096]
  本稿では,エージェントが真のモデルの代わりにターゲットにできるような,ほぼ等価でロッキーな環境圧縮を計算するアルゴリズムを提案する。 有限水平, エピソディックな逐次決定問題を解くアルゴリズムに対して, 情報理論的, ベイズ的後悔を証明した。
  論文  参考訳（メタデータ） (2022-06-04T23:36:38Z)
• Minimum-Delay Adaptation in Non-Stationary Reinforcement Learning via Online High-Confidence Change-Point Detection [7.685002911021767]
  非定常環境におけるポリシーを効率的に学習するアルゴリズムを導入する。 これは、リアルタイム、高信頼な変更点検出統計において、潜在的に無限のデータストリームと計算を解析する。 i) このアルゴリズムは, 予期せぬ状況変化が検出されるまでの遅延を最小限に抑え, 迅速な応答を可能にする。
  論文  参考訳（メタデータ） (2021-05-20T01:57:52Z)

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。