論文の概要: MuEvo: LLM-Driven Evolution of Multi-Heuristic Ensemble
- arxiv url: http://arxiv.org/abs/2608.03636v1
- Date: Tue, 04 Aug 2026 13:19:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.205345
- Title: MuEvo: LLM-Driven Evolution of Multi-Heuristic Ensemble
- Title(参考訳): MuEvo: LLMによるマルチヒューリスティックなアンサンブルの進化
- Abstract要約: アンサンブルレベルのフィードバック下でのアンサンブルを進化させるLLM駆動型フレームワークであるMuEvoを提案する。
4つの最適化領域にまたがる選択ヒューリスティックスとコンポーネント化されたアリコロニー最適化について,MuEvoの評価を行った。
- 参考スコア(独自算出の注目度): 16.72462798926915
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model-based automated heuristic design (LLM-AHD) has shown strong potential in discovering effective heuristics for combinatorial optimization problems. However, existing methods primarily optimize a single heuristic, whereas practical optimization frameworks often rely on multiple interacting components. Directly extending single-heuristic methods is challenging because early component selection can overlook components with late potential, while independent evolution ignores inter-component dependencies. We propose MuEvo, an LLM-driven framework for evolving heuristic ensembles under ensemble-level feedback. MuEvo combines Dynamic Component Management, which uses short-budget probing and a reversible lifecycle to revise component priorities throughout the search, with LLM-Driven Co-Evolution, which coordinates component populations through Multi-Ensemble Evaluation, Cross-Component Information Sharing, Relation-Guided Pair Evolution, and Adaptive Budget Allocation. We evaluate MuEvo on selection hyper-heuristics and componentized ant colony optimization across four combinatorial optimization domains. Results show that MuEvo consistently improves human-designed frameworks and outperforms representative multi-component extensions of state-of-the-art LLM-AHD methods, demonstrating its effectiveness across both controller-mediated heuristic pools and functionally differentiated algorithmic components.
- Abstract(参考訳): 大規模言語モデルに基づく自動ヒューリスティック設計(LLM-AHD)は、組合せ最適化問題に対する効果的なヒューリスティックを発見できる強力な可能性を示している。
しかし、既存のメソッドは主に単一ヒューリスティックを最適化するのに対して、実用的な最適化フレームワークは複数の相互作用するコンポーネントに依存していることが多い。
コンポーネントの早期選択は、コンポーネント間の依存関係を無視しながら、潜在的に潜在的に遅いコンポーネントを見落としてしまうため、シングルヒューリスティックメソッドを直接拡張することは難しい。
アンサンブルレベルのフィードバックの下でヒューリスティックアンサンブルを進化させるためのLLM駆動型フレームワークであるMuEvoを提案する。
MuEvoは、短期間の予算探索と可逆的なライフサイクルを使用して、検索全体を通してコンポーネントの優先順位を更新するDynamic Component Managementと、マルチアンサンブル評価、クロスコンポーネント情報共有、リレーショナルガイドによるペア進化、適応的予算配分を通じてコンポーネントの数を調整するLLM駆動の共進化とを組み合わせている。
4つの組合せ最適化領域にまたがる超ヒューリスティックスの選択とコンポーネント化されたアリコロニー最適化について,MuEvoの評価を行った。
結果から,MuEvoは設計したフレームワークを一貫して改善し,最先端LLM-AHD手法の多成分拡張に優れており,制御器を介するヒューリスティックプールと,機能的に分化したアルゴリズムコンポーネントの両方において,その有効性を示している。
関連論文リスト
- LLM-Driven Joint Evolution of Coupled Heuristics Components for Routing Optimization [6.642260387629958]
本稿では,共有設計図の下で相互依存コンポーネントを共同で生成・発展する集団基盤フレームワークを提案する。
合成インスタンスと41の公開ベンチマークを通じて、LLM-HCJGは一貫して低い最適性ギャップを達成している。
論文 参考訳(メタデータ) (2026-09-02T09:25:55Z) - PCHC: Enabling Preference Conditioned Humanoid Control via Multi-Objective Reinforcement Learning [50.63196995993855]
多目的強化学習(MORL)を活用してPCHC(Preference-Conditioned Humanoid Control)を実現する新しいフレームワークを提案する。
当社のフレームワークは、単一の嗜好条件のポリシーを多種多様な行動を示すために有効である。
論文 参考訳(メタデータ) (2026-03-25T07:55:37Z) - Multi-Paradigm Collaborative Adversarial Attack Against Multi-Modal Large Language Models [67.45032003041399]
本稿では,MLLMに対する敵例の転送可能性を高めるために,MPCAttack(Multi-Paradigm Collaborative Attack)フレームワークを提案する。
MPCOは異なるパラダイム表現の重要性を適応的にバランスさせ、グローバルな最適化を導く。
我々のソリューションは、オープンソースおよびクローズドソースMLLMに対する標的および未ターゲットの攻撃において、常に最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2026-03-05T06:01:26Z) - ReVEL: Multi-Turn Reflective LLM-Guided Heuristic Evolution via Structured Performance Feedback [0.0]
ReVEL: 構造化性能フィードバックによるマルチTurn反射型LLM-Huristic Evolutionを提案する。
ReVELの中核は、(i)パフォーマンスに目立ったグループ化と(ii)マルチターンフィードバック駆動リフレクションの2つのメカニズムにある。
本結果は,自動設計の原則的パラダイムとして,構造化グループを用いたマルチターン推論に注目した。
論文 参考訳(メタデータ) (2026-03-05T04:52:11Z) - 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) - MOTIF: Multi-strategy Optimization via Turn-based Interactive Framework [4.012351415340318]
本稿では,多戦略最適化問題として,より広範な解法設計の定式化を導入する。
各ターンで、エージェントは、自分自身と相手の以前の更新履歴を活用することで、1つのコンポーネントを改善する。
複数のCOPドメインにわたる実験により、MOTIFは最先端の手法よりも一貫して優れていることが示された。
論文 参考訳(メタデータ) (2025-08-05T21:45:36Z) - Pareto-Grid-Guided Large Language Models for Fast and High-Quality Heuristics Design in Multi-Objective Combinatorial Optimization [8.950269044886621]
多目的最適化問題(MOCOP)は、矛盾する目的の同時最適化を必要とする実用的応用においてしばしば発生する。
LLM(MPaGE)のPareto-Grid-Guided EvolutionによるMOCOPのマルチヒューリスティックスについて紹介する。
MPaGE は LLM を用いて、変異の間、意味的に異なる論理構造を優先順位付けし、多様性を促進し、集団内の冗長性を緩和する。
論文 参考訳(メタデータ) (2025-07-28T15:26:43Z) - Direct Retrieval-augmented Optimization: Synergizing Knowledge Selection and Language Models [83.8639566087953]
本稿では,2つの主要コンポーネントのエンドツーエンドトレーニングを可能にするDROという,直接検索拡張最適化フレームワークを提案する。
DROは、 (i) 文書置換推定と (ii) 再重み付けされ、段階的に改善されたRAGコンポーネントの2つのフェーズの間で交代する。
理論解析により,DROは強化学習における政策段階的な手法に類似していることが明らかとなった。
論文 参考訳(メタデータ) (2025-05-05T23:54:53Z) - Improving Retrieval-Augmented Generation through Multi-Agent Reinforcement Learning [88.55095746156428]
Retrieval-augmented Generation (RAG) は、外部知識を大規模言語モデルに組み込むために広く利用されている。
標準的なRAGパイプラインは、クエリ書き換え、文書検索、文書フィルタリング、回答生成など、いくつかのコンポーネントで構成されている。
本稿では,複数コンポーネントからなる複雑なRAGパイプラインを多エージェント協調作業として扱うことを提案する。
論文 参考訳(メタデータ) (2025-01-25T14:24:50Z) - Can Large Language Models Be Trusted as Evolutionary Optimizers for Network-Structured Combinatorial Problems? [8.431866560904753]
大規模言語モデル(LLM)は、言語理解とさまざまなドメイン間の推論において強力な能力を示している。
本研究では,問題構造に係わるLLMの能力を評価するための体系的枠組みを提案する。
我々は、よく使われる進化的手法(EVO)を採用し、LLM演算子の出力忠実度を厳格に評価する包括的評価フレームワークを提案する。
論文 参考訳(メタデータ) (2025-01-25T05:19:19Z) - On-the-fly Modulation for Balanced Multimodal Learning [53.616094855778954]
マルチモーダル学習は、異なるモーダルからの情報を統合することでモデル性能を向上させることが期待されている。
広く使われている共同トレーニング戦略は、不均衡で最適化されていないユニモーダル表現につながる。
そこで本研究では,OGM(On-the-fly Prediction Modulation)とOGM(On-the-fly Gradient Modulation)の戦略を提案する。
論文 参考訳(メタデータ) (2024-10-15T13:15:50Z) - T-REX: Mixture-of-Rank-One-Experts with Semantic-aware Intuition for Multi-task Large Language Model Finetuning [31.276142111455847]
大規模言語モデル(LLM)は多様なマルチタスクの微調整において重要な適応課題に直面している。
我々はmixunderlinetextbfTureunderlinetextbf-of-underlinetextbfRank-onunderlinetextbfE-eunderlinetextbfXper ts (textttT-REX) という新しいフレームワークを設計する。
Rank-1のエキスパートは、ミックス・アンド・マッチのメカニズムにより、線形パラメータのオーバーヘッドを持つエキスパートのベクトル部分空間を2次に拡張し、最適で近似誤差削減を達成することができる。
論文 参考訳(メタデータ) (2024-04-13T12:14:58Z)
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。