論文の概要: Beyond Average Performance: Dynamic Instance Clustering and Specialized Algorithm Design in LLM-Assisted Evolutionary Search

• arxiv url: http://arxiv.org/abs/2608.03129v1
• Date: Tue, 04 Aug 2026 04:59:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.03877
• Title: Beyond Average Performance: Dynamic Instance Clustering and Specialized Algorithm Design in LLM-Assisted Evolutionary Search
• Title（参考訳）: 平均以上のパフォーマンス: LLM支援進化探索における動的インスタンスクラスタリングと特殊化アルゴリズム設計
• Authors: Qinglong Hu, Qingfu Zhang, Fei Liu, Xialiang Tong, Kun Mao, Mingxuan Yuan,
• Abstract要約: 信頼性の高いアルゴリズムポートフォリオを構築するための特徴のない構造認識機構を備えたLESフレームワークであるDynamic Instance Clustering and Specialized Algorithm Design (DyCA)を提案する。 DyCAは、インスタンスクラスタリングを検索プロセス内で共進化するコンポーネントとして扱い、評価データを特徴のない信号として再利用する。 実験の結果、DyCAは最先端のLESベースラインを上回り、尾の堅牢性は平均15.2%、全体的な性能は7.1%向上した。
• 参考スコア（独自算出の注目度）: 27.981714638078966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Model-assisted Evolutionary Search (LES) has emerged as a powerful paradigm for automated algorithm design. However, existing LES methods primarily optimize for average performance, inherently directing search effort toward instances that contribute most to this metric while leaving others poorly served, resulting in weak tail robustness and limited real-world reliability. To address this limitation, we propose Dynamic Instance Clustering and Specialized Algorithm Design (DyCA), an LES framework with a feature-free, structure-aware mechanism for constructing reliable algorithm portfolios under heterogeneous instance distributions. DyCA treats instance clustering as a co-evolving component within the search process, reusing accumulated evaluation data as feature-free signals to progressively partition instances with similar algorithmic response patterns. The uncovered clusters decompose the mixed objective into a set of structure-aware sub-objectives, thereby enabling finer-grained and more adaptive guidance for specialized algorithm design. Experimental results across four algorithm design tasks with heterogeneous instances demonstrate that DyCA outperforms state-of-the-art LES baselines, improving tail robustness by an average of 15.2\% and overall performance by 7.1\% while maintaining competitive head performance.
• Abstract（参考訳）: 大規模言語モデル支援進化探索(LES)は,アルゴリズムの自動設計のための強力なパラダイムとして登場した。 しかし、既存のLES手法は、主に平均的な性能に最適化されており、本質的には探索の努力をこの指標に最も貢献するインスタンスに向け、他は役に立たないが、結果として尾の頑丈さが弱く、現実の信頼性が限られている。 この制限に対処するため、不均一なインスタンス分布下で信頼性の高いアルゴリズムポートフォリオを構築するための特徴のない構造認識機構を備えたLESフレームワークであるDynamic Instance Clustering and Specialized Algorithm Design (DyCA)を提案する。 DyCAは、インスタンスクラスタリングを検索プロセス内で共進化するコンポーネントとして扱い、蓄積した評価データを特徴のない信号として再利用して、同様のアルゴリズム的なレスポンスパターンでインスタンスを段階的に分割する。 未発見クラスタは、混合対象を構造認識サブオブジェクトの集合に分解し、特殊アルゴリズム設計のためのより微細で適応的なガイダンスを可能にする。 ヘテロジニアスなインスタンスを持つ4つのアルゴリズム設計タスクに対する実験の結果、DyCAは最先端のLESベースラインより優れ、平均15.2\%、全体的なパフォーマンスは7.1\%向上し、競争力のあるヘッド性能を維持している。

関連論文リスト

• Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
  本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。 14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
  論文  参考訳（メタデータ） (2026-07-08T02:50:02Z)
• Efficient Test-time Inference for Generative Planning Models [2.993222488868623]
  従来のOpen-Closed List (OCL) 検索の修正版は、そのような効率的な推論手順を提供する。 本アルゴリズムは,中間状態からの高速ロールアウトを行う生成モデルと,候補推論経路に優先順位をつけるモデルという,学習した2つのコンポーネントを相乗化する。
  論文  参考訳（メタデータ） (2026-05-30T08:46:44Z)
• 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)
• CDEoH: Category-Driven Automatic Algorithm Design With Large Language Models [18.725552141930542]
  大規模言語モデル(CDEoH)を用いたカテゴリー駆動型自動アルゴリズム設計 大規模言語モデル(CDEoH)を用いたカテゴリー駆動型自動アルゴリズム設計を提案する。 CDEoHは, 一つの進化方向への収束を効果的に緩和し, 進化安定性を著しく向上し, タスクやスケールにおける平均性能を一貫して向上させることを示す。
  論文  参考訳（メタデータ） (2026-03-08T06:20:05Z)
• TIDE: Tuning-Integrated Dynamic Evolution for LLM-Based Automated Heuristic Design [7.264986493460248]
  TIDEはTuning-Integrated Dynamic Evolutionフレームワークで、パラメータ最適化から構造的推論を分離するように設計されている。 9つの最適化問題に対する実験により、TIDEは最先端のチューニング方法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2026-01-29T04:00:02Z)
• An Evolutionary Framework for Automatic Optimization Benchmark Generation via Large Language Models [0.0]
  本稿では,大規模言語モデル(LLM)を生成演算子として活用する進化的自動ベンチマーク生成フレームワークを提案する。 このフレームワークでは、LLMはフレキシブルで表現力のある表現空間内でベンチマーク問題を生成し、進化させる進化的演算子として機能する。 実験結果から, LLM-EBGは, 対象アルゴリズムが80%以上の試験において, 常に比較アルゴリズムより優れるベンチマーク問題を生成することができた。
  論文  参考訳（メタデータ） (2026-01-19T04:58:15Z)
• LLM-Based Instance-Driven Heuristic Bias In the Context of a Biased Random Key Genetic Algorithm [0.9214658764451348]
  本稿では,Large Language Models (LLMs) と Biased Random-Key Genetic Algorithm (BRKGA) を統合し,NP-hard Longest Run Subsequence 問題の解法を提案する。 我々のアプローチは、計算効率のよいメトリクスセットを共同設計し実装するための人間-LLM協調プロセスを導入することで、インスタンス駆動バイアスパラダイムを拡張します。 その結果, BRKGA+Llama-4-Maverickはベースラインよりも大幅に改良された。
  論文  参考訳（メタデータ） (2025-09-05T21:46:41Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and Stability [67.8426046908398]
  汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。 本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
  論文  参考訳（メタデータ） (2022-04-08T20:46:16Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)

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。