論文の概要: CEDAR: Agent-Orchestrated Tree Search for Goal-Directed Optimization of Complex Systems

• arxiv url: http://arxiv.org/abs/2608.06871v1
• Date: Fri, 07 Aug 2026 06:54:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.381948
• Title: CEDAR: Agent-Orchestrated Tree Search for Goal-Directed Optimization of Complex Systems
• Title（参考訳）: CEDAR:複雑なシステムのゴール指向最適化のためのエージェント整合木探索
• Abstract要約: 複雑なシステムは非線形でフィードバック駆動の相互作用を通じて様々な現象をモデル化する。 フィードバック構造がどのように創発的な振る舞いをもたらすかを予測することの難しさは、目標指向の設計を非常に困難にします。 確立された実践では、システム構造はDYNAMOやSTELLAといった特殊なモデリング言語で記述される。 我々は,Large Language Model (LLM) エージェントを用いて,ユーザが特定した行動目標を満たす複雑なシステムを発見する自律的手法であるCEDARを紹介する。
• 参考スコア（独自算出の注目度）: 4.66788819655844
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex systems, core objects of study in artificial life, model diverse phenomena through nonlinear, feedback-driven interactions that produce emergent behavior, with applications from population dynamics and biology to economic policy and strategic decision-making. Yet the difficulty of predicting how feedback structure gives rise to emergent behavior, a central open problem in artificial life, makes goal-directed design exceptionally challenging. In established practice, system structures are written in specialized modeling languages such as DYNAMO or STELLA, compounding the challenge with labor-intensive workflows that limit adoption and hinder timely decision-making. To address these challenges, we introduce CEDAR, an autonomous method that uses Large Language Model (LLM) agents to discover complex systems satisfying user-specified behavioral goals. Our key innovation is an LLM-driven Monte Carlo Tree Search (MCTS) deeply coupled with complex systems: at each iteration, an LLM Judge evaluates emergent behavior against specified goals and an LLM Editor proposes improved variants, with the Judge acting as a fitness function and the Editor as a variation operator, akin to a generate-and-evaluate loop in evolutionary computation. We represent complex systems as a restricted, runnable subset of Python with domain-specific primitives, letting LLMs modify system dynamics directly. CEDAR formalizes this as an MCTS variant with an LLM-parameterized transition kernel and value function, enabling goal-directed discovery of complex system behaviors while preserving solution diversity, and its LLM-based interpretability reveals how structural changes drive emergent behavior. CEDAR reduces human effort while enabling capabilities difficult to achieve with existing approaches, facilitating broader adoption of complex systems across domains.
• Abstract（参考訳）: 複雑なシステム、すなわち人工生命における研究のコアオブジェクトは、集団力学や生物学から経済政策、戦略的意思決定まで、突発的な振る舞いを生み出す非線形でフィードバック駆動の相互作用を通じて多様な現象をモデル化する。 しかし、フィードバック構造がどのように創発的行動を引き起こすかを予測することの難しさは、人工生命の中心的なオープンな問題であり、ゴール指向の設計を極端に困難にしている。 確立された実践では、システム構造はDYNAMOやSTELLAといった特殊なモデリング言語で書かれており、採用を制限し、タイムリーな意思決定を妨げる労働集約的なワークフローとの課題を複雑にしている。 これらの課題に対処するために,大規模言語モデル(LLM)エージェントを用いた自律的手法であるCEDARを導入し,ユーザの特定行動目標を満たす複雑なシステムを発見する。 我々の重要な革新は、LCM駆動のモンテカルロ木探索(MCTS)と複雑なシステムとの深い結合であり、各イテレーションにおいて、LCM判事は指定された目標に対する創発的振る舞いを評価し、LCM編集者は、適合関数として、そしてエディターは、進化計算における生成と評価のループに似た、改善された変種を提案する。 複雑なシステムはPythonの制限された実行可能なサブセットとしてドメイン固有のプリミティブで表現し、LLMがシステムダイナミクスを直接修正できるようにします。 CEDAR はこれを LLM のパラメータ化された遷移カーネルと値関数を備えた MCTS 変種として定式化し、解の多様性を維持しながら複雑なシステムの振る舞いをゴール指向で発見できる。 CEDARは、既存のアプローチで達成し難い機能を実現しながら、人間の労力を削減する。

関連論文リスト

• Safe and Adaptive Cloud Healing: Verifying LLM-Generated Recovery Plans with a Neural-Symbolic World Model [9.794020127306473]
  Planning-Aware Semantic Self-Healing Engine PASEは、新しいフォールト自己修復フレームワークである。 本フレームワークは,LLMに基づく推論とモデル支援検証,メタ学習指導を統合して,自律的なシステム管理を推進している。 実世界のクラウドフォールトインジェクションデータセットの実験では、PASEが最先端の手法を大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-07-02T01:45:30Z)
• SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
  SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。 実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。 回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
  論文  参考訳（メタデータ） (2025-11-29T09:18:39Z)
• Fundamentals of Building Autonomous LLM Agents [64.39018305018904]
  本稿では,大規模言語モデル(LLM)を用いたエージェントのアーキテクチャと実装手法について概説する。 この研究は、複雑なタスクを自動化し、人間の能力でパフォーマンスのギャップを埋めることのできる「アジェンティック」なLLMを開発するためのパターンを探求することを目的としている。
  論文  参考訳（メタデータ） (2025-10-10T10:32:39Z)
• AMAS: Adaptively Determining Communication Topology for LLM-based Multi-Agent System [19.336020954831202]
  大規模言語モデル (LLM) は自然言語処理能力に革命をもたらし、産業問題解決のための自律型マルチエージェントシステム (MAS) として実践的に実装されている。 我々は、新しい動的グラフデザイナを通じてLLMベースのMASを再定義するパラダイムシフトフレームワークであるAMASを紹介する。 AMASは個々の入力の固有の特性を利用して、タスク最適化エージェント経路を介してインテリジェントにクエリトラジェクトリをクエリする。
  論文  参考訳（メタデータ） (2025-10-02T02:50:22Z)
• Large Language Models in Operations Research: Methods, Applications, and Challenges [9.208082097215314]
  オペレーションリサーチ(OR)は、輸送、サプライチェーン管理、生産スケジュールなど、複雑なシステム決定を支援する。 専門家主導のモデリングと手動パラメータチューニングに依存する従来のアプローチは、しばしば大規模、動的、マルチ制約の問題に悩まされる。 本稿では,大規模言語モデル(LLM)をORに適用し,既存の手法を3つの経路に分類する。
  論文  参考訳（メタデータ） (2025-09-18T01:52:19Z)
• MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
  自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。 MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。 完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
  論文  参考訳（メタデータ） (2025-05-12T17:35:43Z)
• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
  LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。 我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。 デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
  論文  参考訳（メタデータ） (2024-08-17T11:49:53Z)
• Entropy-Regularized Token-Level Policy Optimization for Language Agent Reinforcement [67.1393112206885]
  大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。 本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。 我々は,データサイエンスコード生成を多段階対話型タスクのシリーズとしてモデル化したシミュレーション環境におけるETPOの有効性を評価する。
  論文  参考訳（メタデータ） (2024-02-09T07:45:26Z)
• Solution-oriented Agent-based Models Generation with Verifier-assisted Iterative In-context Learning [10.67134969207797]
  エージェントベースのモデル(ABM)は、仮説的な解決策やポリシーの提案と検証に不可欠なパラダイムである。 大きな言語モデル(LLM)は、ドメイン間の知識とプログラミング能力をカプセル化することで、このプロセスの難しさを軽減できる可能性がある。 SAGEは、ターゲット問題に対する自動モデリングおよびソリューション生成のために設計された、汎用的なソリューション指向のABM生成フレームワークである。
  論文  参考訳（メタデータ） (2024-02-04T07:59:06Z)

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。