論文の概要: PACE: Primitive-Aware Code Evolution for Automated Algorithm Design

• arxiv url: http://arxiv.org/abs/2608.07395v1
• Date: Fri, 07 Aug 2026 16:40:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.564977
• Title: PACE: Primitive-Aware Code Evolution for Automated Algorithm Design
• Title（参考訳）: PACE: 自動アルゴリズム設計のためのプリミティブ・アウェア・コード進化
• Abstract要約: プリミティブ・アウェア・コード進化(PACE)を提案する。 PACEは、Executable Algorithmic Primitives (EAPs) と呼ばれる永続的な単位として表現することで、ローカルロジックを完全なプログラムから切り離す。 コードレベルの転送を可能にするため、PACEはEAPの動的なセットを維持している。
• 参考スコア（独自算出の注目度）: 8.27820631099436
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Model (LLM)-based automated algorithm design typically evolves algorithms as complete, indivisible programs. While this whole-program perspective simplifies the search space, it fundamentally couples the useful local logic to its host program. Consequently, valuable code snippets vanish when the overall program is discarded, making it highly difficult to assess the contribution of individual algorithmic components.To address this, we propose Primitive-Aware Code Evolution (PACE), which decouples local logic from complete programs by representing it as persistent units called Executable Algorithmic Primitives (EAPs). To enable code-level transfer, PACE maintains a dynamic set of EAPs. Algorithm evolution is driven by primitive-aware operators that structurally guarantee the retention and cross-program transfer of these components. To evaluate them effectively, PACE leverages Thompson sampling based on parent-relative performance improvements, guiding primitive selection from the set without requiring extra evaluation datasets. Experiments on four tasks demonstrate that PACE effectively discovers competitive algorithms while structurally preserving valuable algorithmic components.
• Abstract（参考訳）: 大規模言語モデル (LLM) に基づく自動アルゴリズム設計は、アルゴリズムを完全かつ不可分なプログラムとして進化させるのが一般的である。 このプログラム全体のパースペクティブは検索空間を単純化するが、基本的にはホストプログラムに有用なローカルロジックを結合する。 その結果、プログラム全体を捨てた時に貴重なコードスニペットが消滅し、個々のアルゴリズムコンポーネントの寄与を評価することが極めて困難になるため、この問題に対処するために、ローカルロジックを完全プログラムから切り離し、実行可能なアルゴリズムプリミティブ(EAP)と呼ばれる永続的なユニットとして表現するプリミティブ・アウェア・コード進化(PACE)を提案する。 コードレベルの転送を可能にするため、PACEはEAPの動的なセットを維持している。 アルゴリズムの進化は、これらのコンポーネントの保持とプログラム間の転送を構造的に保証するプリミティブ・アウェア演算子によって駆動される。 それらを効果的に評価するために、PACEは親相対的なパフォーマンス改善に基づくトンプソンサンプリングを活用し、余分な評価データセットを必要とせずに、セットから原始的な選択を誘導する。 4つのタスクの実験により、PACEは価値あるアルゴリズムコンポーネントを構造的に保存しながら、競合アルゴリズムを効果的に発見することを示した。

関連論文リスト

• Accelerated Decoding of Centroid Positional Encoding for Instance Segmentation [49.97373153077311]
  本稿では,各画素が遠心波の位置埋め込みを行う場合の,遠心波符号化に伴うデコードオーバーヘッドについて検討する。 当社のソリューションは、デコードオーバーヘッドを大幅に削減し、Endto-Endレイテンシを改善し、CPUベースのアプローチと単純なGPU実装の両方を上回ります。
  論文  参考訳（メタデータ） (2026-09-15T09:05:17Z)
• Semantics-Aware Bilevel Co-Evolution: Towards Automated Multicomponent Algorithm Design [34.28112311806716]
  LLM支援進化探索(LES)は,自動アルゴリズム設計において有望なパラダイムとして登場した。 本稿では,自動多成分アルゴリズム設計のためのLES方式STABLEを提案する。
  論文  参考訳（メタデータ） (2026-06-29T08:28:23Z)
• 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)
• Advancing Automated Algorithm Design via Evolutionary Stagewise Design with LLMs [69.91297564489464]
  EvoStageは、産業規模のアルゴリズム設計の厳密な要求とLLMベースのアルゴリズム設計のギャップを埋める新しい進化パラダイムである。 EvoStageは、アルゴリズム設計プロセスを逐次的に管理可能なステージに分解し、リアルタイム中間フィードバックを反復的に洗練されたアルゴリズム設計方向に統合する。 商用グレードの3Dチップ配置ツールにデプロイすると、EvoStageはオリジナルのパフォーマンス指標を大幅に上回り、記録破りの効率を達成する。
  論文  参考訳（メタデータ） (2026-03-09T05:13:44Z)
• DyACE: Dynamic Algorithm Co-evolution for Online Automated Heuristic Design with Large Language Model [12.490525543266807]
  非定常バイレベル制御問題としてDyACE(Dynamic Co-evolution)を導入する。 DyACEの中核となる要素はLook-Ahead Rollout Searchである。 結果は、DyACEが最先端の静的ベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-07T06:46:53Z)
• Nearly Optimal Active Preference Learning and Its Application to LLM Alignment [68.56793807995417]
  大規模言語モデルの調整は、人間の好みラベルの高品質なデータセットに依存する。 既存の多くのアプローチでは、G-やD-最適化のような古典的な実験的な設計基準が採用されている。 本研究では,これら設計目標の適合性に疑問を呈する,選好学習に特有な単純な直観を同定する。
  論文  参考訳（メタデータ） (2026-02-02T03:21:29Z)
• AlgOS: Algorithm Operating System [2.5352713493505785]
  AlgOSはアルゴリズムの実装のためのモジュール化されていないフレームワークである。 新しいアルゴリズムの実装のオーバーヘッドを減らし、アルゴリズムの比較を標準化するように設計されている。
  論文  参考訳（メタデータ） (2025-04-07T10:36:46Z)
• Benchmarking End-To-End Performance of AI-Based Chip Placement Algorithms [77.71341200638416]
  ChiPBenchはAIベースのチップ配置アルゴリズムの有効性を評価するために設計されたベンチマークである。 評価のために、さまざまなドメイン(CPU、GPU、マイクロコントローラなど)から20の回路を集めました。 その結果, 単点アルゴリズムの中間距離が支配的であったとしても, 最終的なPPA結果は満足できないことがわかった。
  論文  参考訳（メタデータ） (2024-07-03T03:29:23Z)
• Process Discovery for Structured Program Synthesis [70.29027202357385]
  プロセスマイニングにおける中核的なタスクは、イベントログデータから正確なプロセスモデルを学ぶことを目的としたプロセス発見である。 本稿では,ターゲットプロセスモデルとして(ブロック-)構造化プログラムを直接使用することを提案する。 我々は,このような構造化プログラムプロセスモデルの発見に対して,新たなボトムアップ・アグリメティブ・アプローチを開発する。
  論文  参考訳（メタデータ） (2020-08-13T10:33:10Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)

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。