論文の概要: IR2Solve: Structured Intermediate Representations for Cost-Efficient Optimization Autoformulation
- arxiv url: http://arxiv.org/abs/2608.02641v1
- Date: Fri, 31 Jul 2026 13:36:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:22.872569
- Title: IR2Solve: Structured Intermediate Representations for Cost-Efficient Optimization Autoformulation
- Title（参考訳）: IR2Solve:コスト効率の良い最適化オートフォーミュレーションのための構造化中間表現
- Abstract要約: 大規模言語モデル(LLM)は、自然言語の最適化問題をソルバ対応の定式化に変換することができるが、直接コード生成は脆弱である。
本稿では、スキーマ制約付きモデルIRを生成するために単一のセマンティックコールを使用する、中間表現優先のオートフォーミュレーションパイプラインIR2を提案する。
具体的なスカラー制約は、有限個のインデックス単位の制約族を個々のエントリとして表現し、自由インデックスと暗黙の量子化エラーを減らす。
- 参考スコア（独自算出の注目度）: 15.520617657780578
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) can translate natural-language optimization problems into solver-ready formulations, but direct code generation is brittle: schema, indexing, and semantic errors can cause compilation failures, infeasible models, or incorrect objectives, while iterative repair, search, and multi-agent workflows increase inference cost. We present IR2Solve, an intermediate-representation-first autoformulation pipeline that uses a single semantic LLM call to produce a schema-constrained ModelIR, followed by two deterministic stages: verification and IR-to-solver compilation. ModelIR explicitly represents sets, parameters, variables, objectives, and constraints using restricted Python-like expression strings. A concrete scalar-constraint convention represents finite per-index constraint families as individual entries, reducing free-index and implicit-quantification errors while simplifying downstream verification and compilation. Across six cleaned optimization benchmarks, IR2Solve achieves strong objective correctness and remains competitive with recent optimization-modeling systems. A controlled ablation on 153 IndustryOR and ComplexLP instances shows sequential gains from the structured IR interface, the scalar-constraint instruction, and deterministic verification. On a matched ten-instance cost panel, IR2Solve uses one semantic call per instance, whereas Chain-of-Experts and SAC-Opt use 8 and 39 calls per instance and consume 3.3 and 22.9 times the token volume of IR2Solve, respectively. These results show that structured intermediate representations, combined with deterministic post-generation processing, provide a practical accuracy-cost trade-off for LLM-based optimization autoformulation.
- Abstract（参考訳）: 大きな言語モデル(LLM)は、自然言語の最適化問題をソルバ対応の定式化に変換することができるが、直接コード生成は不安定である。
提案するIR2Solveは,1つの意味的LCMコールを用いてスキーマ制約付きモデルIRを生成し,続いて2つの決定論的段階である検証とIR-to-solverコンパイルを行う。
ModelIRは、制限されたPythonライクな式文字列を使用して、集合、パラメータ、変数、目的、制約を明示的に表現する。
具体的なスカラー制約は、下流の検証とコンパイルを簡素化しながら、自由インデックスと暗黙の量子化エラーを低減し、インデックスごとの制約族を個々のエントリとして表現する。
6つの最適化ベンチマークでIR2Solveは強い客観的な正当性を達成し、最近の最適化モデルシステムと競合し続けている。
制御された153 IndustryOR インスタンスと ComplexLP インスタンスのアブレーションは、構造化IR インタフェース、スカラー制約命令、決定論的検証から順次得ている。
一致する10インスタンスのコストパネルでは、IR2Solveはインスタンスごとに1つのセマンティックコールを使用するが、Chain-of-ExpertsとSAC-Optはインスタンス毎に8と39のコールを使用し、それぞれIR2Solveのトークンボリュームの3.3と22.9倍を消費する。
これらの結果は、構造化中間表現と決定論的ポストジェネレーション処理が組み合わさって、LCMに基づく最適化オートフォーメーションの実用的な精度とコストのトレードオフをもたらすことを示している。
関連論文リスト
- Execution-Verified Reinforcement Learning for Optimization Modeling [49.171122807323634]
実行検証学習フレームワークは、数学的プログラミング解法を決定論的で対話的な検証器として扱う。
NL4OPT, MAMO, IndustryOR, OptiBenchをグロビ, OR-Tools, COPTで行った実験では, EVOMがプロセス管理SFTに適合または優れていた。
論文 参考訳（メタデータ） (2026-04-01T03:39:11Z) - Training LLMs for Multi-Step Tool Orchestration with Constrained Data Synthesis and Graduated Rewards [76.49428173793386]
LLMは、中間出力を伝搬しながら、正しい順序で複数の依存APIを呼び出す必要がある。
既存の環境は、シミュレーションデータを使った単純なターン毎の関数呼び出しとバイナリ報酬に重点を置いている。
まず、実APIレスポンスの大規模キャッシュを背景とした強化学習環境を構築し、有効なマルチステップオーケストレーショントレースをサンプリングするデータ合成パイプラインを実現する。
第二に、正当性を原子の妥当性とオーケストレーションに分解する、段階的な報酬設計を提案する。
論文 参考訳（メタデータ） (2026-03-25T18:31:39Z) - DiffuRank: Effective Document Reranking with Diffusion Language Models [71.16830004674513]
拡散言語モデル(dLLM)に基づいて構築されたフレームワークであるDiffuRankを提案する。
dLLMは、左から右への順序に制約されないより柔軟なデコーディングと生成プロセスをサポートする。
モデルサイズが類似した自己回帰LDMに匹敵する性能を示す。
論文 参考訳（メタデータ） (2026-02-13T02:18:14Z) - Constructing Industrial-Scale Optimization Modeling Benchmark [26.61380804019141]
重要なボトルネックは、実際の最適化モデルに根ざした、自然言語仕様と参照定式化/解決コードとを一致させるベンチマークの欠如である。
実混合整数線形プログラムから構造を意識した逆構成手法により構築したMIPLIB-NLを提案する。
実験の結果,MIPLIB-NLは既存のベンチマークに強く依存するシステムに対して,大幅な性能低下を示した。
論文 参考訳（メタデータ） (2026-02-11T02:45:31Z) - MIRROR: A Multi-Agent Framework with Iterative Adaptive Revision and Hierarchical Retrieval for Optimization Modeling in Operations Research [15.28095645151852]
MIRRORは、操作研究のための微調整のないエンドツーエンドのマルチエージェントフレームワークである。
自然言語の最適化問題を数学的モデルや解法コードに変換する。
実験により、MIRRORは標準的なOperations Researchベンチマークの既存の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2026-02-03T09:46:56Z) - Canonical Intermediate Representation for LLM-based optimization problem formulation and code generation [22.998405337017928]
我々は、LCMが問題記述と最適化モデルの間で明示的に生成するスキーマであるCanonical Intermediate Representation (CIR)を導入する。
CIRは制約的アーキタイプと候補モデリングパラダイムを通じて、運用ルールのセマンティクスを符号化する。
問題テキストを解析し、ドメイン知識を取得してCIR実装を合成し、最適化モデルをインスタンス化するマルチエージェントパイプラインであるルール・トゥ・制約・フレームワークを開発した。
論文 参考訳（メタデータ） (2026-02-02T12:26:27Z) - Prism: Efficient Test-Time Scaling via Hierarchical Search and Self-Verification for Discrete Diffusion Language Models [96.0074341403456]
LLM推論を改善するための実用的な方法として、推論時計算が再導入されている。
テスト時間スケーリング(TTS)アルゴリズムの多くは、自動回帰デコーディングに依存している。
そこで我々は,dLLM のための効率的な TTS フレームワーク Prism を提案する。
論文 参考訳（メタデータ） (2026-02-02T09:14:51Z) - Optimization Modeling via Semantic Anchored Alignment [30.047608671041104]
SAC-Optは,問題セマンティクスにおいて,解答フィードバックではなく最適化モデルに基づく後方誘導補正フレームワークである。
各ステップで、SAC-Optは元のセマンティックアンカーと生成されたコードから再構成されたアンカーを調整し、ミスマッチしたコンポーネントのみを選択的に修正する。
7つの公開データセットに関する実証的な結果は、SAC-Optが平均モデリング精度を7.8%改善し、ComplexLPデータセットで最大21.9%向上したことを示している。
論文 参考訳（メタデータ） (2025-09-28T12:25:31Z) - LIFT: Automating Symbolic Execution Optimization with Large Language Models for AI Networks [31.69036961288122]
LIFT(Large- Language-model Integrated Functional-equivalent-IR Transformation)は、シンボル実行における中間表現(IR)の最適化を自動化する新しいフレームワークである。
実世界のバイナリの実験では、パフォーマンスが大幅に向上した。
論文 参考訳（メタデータ） (2025-07-07T12:26:56Z) - Fast Controlled Generation from Language Models with Adaptive Weighted Rejection Sampling [90.86991492288487]
トークンの制約を評価するのは 違法にコストがかかる
LCDは文字列上のグローバル分布を歪め、ローカル情報のみに基づいてトークンをサンプリングすることができる。
我々のアプローチは最先端のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2025-04-07T18:30:18Z) - COrAL: Order-Agnostic Language Modeling for Efficient Iterative Refinement [80.18490952057125]
反復改良は、複雑なタスクにおける大規模言語モデル(LLM)の能力を高める効果的なパラダイムとして登場した。
我々はこれらの課題を克服するために、コンテキストワイズ順序非依存言語モデリング(COrAL)を提案する。
当社のアプローチでは、管理可能なコンテキストウィンドウ内で複数のトークン依存関係をモデル化しています。
論文 参考訳（メタデータ） (2024-10-12T23:56:19Z)
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。