論文の概要: DGA$_2$D: Directed Graph-Guided Automated Algorithm Design with Large Language Models
- arxiv url: http://arxiv.org/abs/2608.00700v1
- Date: Sat, 01 Aug 2026 14:59:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.870433
- Title: DGA$_2$D: Directed Graph-Guided Automated Algorithm Design with Large Language Models
- Title（参考訳）: DGA$_2$D:大規模言語モデルを用いたグラフ誘導自動アルゴリズム設計
- Abstract要約: 本稿では,DGA$Dのグラフガイド型自動設計フレームワークを提案する。
オープンエンドのプログラム空間を有向グラフとして構成し、各ノードはインスタンス化可能な関数演算子を表す。
最先端のLCMベースラインと比較して平均正規化ギャップを最大10.96ポイント削減する。
- 参考スコア（独自算出の注目度）: 1.8062322656999443
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid development of Large Language Models (LLMs) has opened new avenues for Automated Heuristic Design (AHD) for solving NP-hard combinatorial optimization problems (COPs). However, existing LLM-driven AHD methods are largely confined to rigid solver templates, relegating the search process to isolated module tuning. Transitioning to fully autonomous, system-level algorithm design is essential but fraught with low reliability of generated operators, extremely large search spaces, and ineffective credit assignment. To overcome these drawbacks, this paper proposes a Directed Graph-Guided Automated Algorithm Design framework, termed DGA$_2$D. It structures the open-ended program space as a directed graph, where each node represents a functional operator that can be instantiated using one of multiple candidate code implementations, while directed walks constitute complete algorithmic pipelines. A first-order path-dependent credit assignment mechanism is introduced to evaluate code variations strictly based on their topological context. Extensive experiments across 12 distinct COPs, ranging from complex scheduling to routing, demonstrate the consistent empirical advantages of DGA$_2$D. It reduces the average normalized gap by up to 10.96 percentage points compared to state-of-the-art LLM baselines.
- Abstract（参考訳）: LLM(Large Language Models)の急速な開発により、NP-hard combinatorial optimization problem(COP)を解決するためのAHD(Automated Heuristic Design)の新たな道が開かれた。
しかし、既存のLLM駆動のAHD法は厳密なソルバテンプレートに限られており、探索プロセスを単独のモジュールチューニングに委ねている。
完全に自律的なシステムレベルのアルゴリズム設計への移行は不可欠であるが、生成した演算子の信頼性が低く、非常に大きな検索スペースがあり、非効率な信用代入がある。
これらの欠点を克服するために,DGA$_2$Dと呼ばれるグラフ誘導自動アルゴリズム設計フレームワークを提案する。
オープンエンドのプログラム空間を有向グラフとして構成し、各ノードは複数の候補コード実装の1つを使ってインスタンス化できる機能演算子を表し、一方、有向ウォークは完全なアルゴリズムパイプラインを構成する。
トポロジ的コンテキストに基づいて厳密なコード変動を評価するために,一階パス依存型クレジット割当機構を導入する。
複雑なスケジューリングからルーティングまで、12個の異なるCOPにわたる大規模な実験は、DGA$_2$Dの一貫性のある経験的優位性を実証している。
最先端のLCMベースラインと比較して平均正規化ギャップを最大10.96ポイント削減する。
関連論文リスト
- Unifying Temporal and Structural Credit Assignment in LLM-Based Multi-Agent Prompt Optimization [10.37712840622514]
マルチエージェントシステム(MAS)は、大規模言語モデルに複雑な推論計算タスクに取り組む権限を与える。
既存のブラックボックスは、トラジェクトリレベルの障害を特定のローカルコンポーネントに原因付けるのに苦労する。
我々は、抽出可能なMAS最適化は、誤り信号のアンタングルを解消するために構造的帰納バイアスを必要とすると論じる。
論文 参考訳（メタデータ） (2026-05-28T16:57:57Z) - 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) - HMACE: Heterogeneous Multi-Agent Collaborative Evolution for Combinatorial Optimization [19.90781293176099]
HMACEは異種多言語協調進化フレームワークである。
それぞれの進化生成を4つの調整されたエージェントで自律的で役割特異的なループに分解する。
冗長な評価を避けながら、多様で有望な行動への探索を導く。
論文 参考訳（メタデータ） (2026-05-08T04:02:28Z) - 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) - Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。
条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。
各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。
実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
論文 参考訳（メタデータ） (2025-10-09T05:28:28Z) - 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) - Near-Optimal Online Learning for Multi-Agent Submodular Coordination: Tight Approximation and Communication Efficiency [52.60557300927007]
離散部分モジュラー問題を連続的に最適化するために,$textbfMA-OSMA$アルゴリズムを提案する。
また、一様分布を混合することによりKLの発散を効果的に活用する、プロジェクションフリーな$textbfMA-OSEA$アルゴリズムも導入する。
我々のアルゴリズムは最先端OSGアルゴリズムによって提供される$(frac11+c)$-approximationを大幅に改善する。
論文 参考訳（メタデータ） (2025-02-07T15:57:56Z) - Optimization-based Block Coordinate Gradient Coding for Mitigating
Partial Stragglers in Distributed Learning [58.91954425047425]
本稿では,分散学習における部分トラグラーの緩和を目的とした,新たな勾配符号化方式を提案する。
L の符号パラメータを L に表わした勾配座標符号化方式を提案する。
論文 参考訳（メタデータ） (2022-06-06T09:25:40Z)
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。