論文の概要: MOSAIC: Adversarial Co-evolution of Specialist Heuristics and Problem Instances for LLM-based Automated Heuristic Design

• arxiv url: http://arxiv.org/abs/2608.07544v1
• Date: Fri, 31 Jul 2026 04:22:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 01:32:04.561301
• Title: MOSAIC: Adversarial Co-evolution of Specialist Heuristics and Problem Instances for LLM-based Automated Heuristic Design
• Title（参考訳）: MOSAIC: LLMに基づく自動ヒューリスティック設計のための専門的ヒューリスティックと問題事例の共進化
• Authors: Oguzhan Gungordu, Siheng Xiong, Faramarz Fekri,
• Abstract要約: 本稿では,品質多様性(QD)アーカイブ内の問題インスタンスとスペシャリスト機能とを相互に共進化させるグリッドベースのフレームワークを提案する。 遠方グリッド領域からサンプリングされた各ペアに対して、LLM誘導進化ループは識別可能なインスタンスを生成する。 LLMは2つの反射を対比して、これらの領域に持続する多方向の洞察を生成し、交叉と突然変異を誘導する。
• 参考スコア（独自算出の注目度）: 16.59846708454225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated heuristic design (AHD) with large language models (LLMs) has produced strong heuristics for combinatorial optimization problems (COPs). Yet existing frameworks optimize for average performance on a small fixed dataset and steer the search with "verbal gradients" distilled from scalar better/worse feedback. No single heuristic dominates across instance distributions, and scalar feedback tells the LLM whether a heuristic improved, but not where in the instance space or why. We propose MOSAIC, a grid-based framework that adversarially co-evolves problem instances and specialist heuristics inside a Quality-Diversity (QD) archive indexed by structural instance features. Instances evolve to expose weaknesses of the current heuristics, and heuristics evolve to eliminate them by specializing to the newly exposed regions. Each archive cell keeps a specialist heuristic, representative instances, and insights explaining what works in its region, forming a persistent memory that accumulates over the evolutionary search. For each heuristic pair sampled from distant grid regions, an LLM-guided evolutionary loop generates discriminative instances, and a decision tree identifies the feature-space regions where each heuristic wins. A reflection LLM then contrasts the two heuristics to produce multi-directional insights that persist in those regions and guide crossover and mutation. The archive is simultaneously a co-evolved benchmark of discriminative instances and a pool of region specialist heuristics, from which greedy selection extracts a compact complementary portfolio. Across COPs, test sizes, and LLM backbones, the portfolio consistently outperforms state-of-the-art LLM-based AHD methods, and the co-evolved instances attain higher feature-space coverage and stronger heuristic discrimination than evolutionary instance-generation baselines.
• Abstract（参考訳）: 大規模言語モデル (LLM) を用いた自動ヒューリスティック設計 (AHD) は, 組合せ最適化問題 (COP) の強力なヒューリスティックスを生み出している。 しかし、既存のフレームワークは、小さな固定データセット上での平均的なパフォーマンスを最適化し、スカラーのよい/悪いフィードバックから抽出した"バーバル勾配"で検索する。 単一ヒューリスティックがインスタンス分布にまたがる優位性は存在せず、スカラーフィードバックは、ヒューリスティックが改善したかどうかをLLMに伝えるが、インスタンス空間のどこにあるのか、なぜなのかは問わない。 我々は,QD(Quality-Diversity)アーカイブ内の問題インスタンスと専門ヒューリスティックを相互に共進化させるグリッドベースのフレームワークMOSAICを提案する。 インスタンスは現在のヒューリスティックの弱点を明らかにするために進化し、ヒューリスティックは新しく露出した領域に特化することによってそれらを取り除くために進化する。 それぞれのアーカイブセルは、専門的なヒューリスティック、代表的インスタンス、そしてその領域で何が機能するかを説明する洞察を保持し、進化的検索に蓄積する永続的なメモリを形成する。 遠方グリッド領域からサンプリングされた各ヒューリスティックペアに対して、LLM誘導進化ループは識別可能なインスタンスを生成し、決定木は各ヒューリスティックが勝つ特徴空間領域を特定する。 リフレクションLSMは2つのヒューリスティックを対比し、これらの領域に持続する多方向の洞察を生成し、クロスオーバーと突然変異を導く。 アーカイブは同時に、差別的インスタンスの共進化ベンチマークと地域の専門家ヒューリスティックのプールであり、そこから欲求選択がコンパクトな相補的ポートフォリオを抽出する。 COP、テストサイズ、LSMバックボーン全体で、ポートフォリオは最先端のLCMベースのAHDメソッドを一貫して上回り、進化的インスタンス生成ベースラインよりも高い特徴空間カバレッジとより強いヒューリスティックな差別を実現する。

関連論文リスト

• RAISE: LLM-based Automated Heuristic Design with Robust Adversary Instance Search [2.8822232242646533]
  本稿では,トレーニング分布の近傍に制約付き最悪のインスタンス探索を統合するフレームワークを提案する。 RAISEは、テストおよび問題スケール全体にわたって、一貫して強力なパフォーマンスを維持している。
  論文  参考訳（メタデータ） (2026-06-30T15:19:27Z)
• The Art of Interrogation: Consistency Amplifies Factuality in Spatial Reasoning [65.67266333751569]
  現在のLRM(Large Reasoning Models)は、空間推論タスクにおいて顕著な汎用性を示すが、性能は著しく劣る。 本研究では,内的推論プロセスを対象とした自己指導型強化学習フレームワークを提案する。 このラベルのない整合性トレーニングは,地道的な監督によって訓練されたモデルの精度にアプローチし,多様なタスクやデータ領域にまたがる同様の一般化を実現することを示す。
  論文  参考訳（メタデータ） (2026-06-10T10:50:06Z)
• Self-Evolving Spatial Reasoning in Vision Language Models via Geometric Logic Consistency [53.28076739140119]
  本稿では,視覚・言語モデル(VLM)における論理的一貫性を幾何学的・言語的双対性演算によって実現する枠組みを提案する。 SAGEは、従来のGRPO法に比べてモデルに依存しず、データ効率が良く、既存のVLMに軽量な後学習段階として適用することができる。 ビデオおよび空間推論ベンチマークの実験では、強いベースラインよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-05-18T10:05:21Z)
• 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)
• G-LNS: Generative Large Neighborhood Search for LLM-Based Automatic Heuristic Design [7.681872137995253]
  本稿では,Large Neighborhood Search(LNS)演算子を拡張した生成的進化的フレームワークを提案する。 G-LNSはLarge Language Models (LLMs)を活用して、密結合した破壊と修復のオペレータを共同開発する。 実験により、G-LNSは強力な古典解法と同様にLLMベースのAHD法よりも著しく優れていた。
  論文  参考訳（メタデータ） (2026-02-09T04:13:35Z)
• Game-Theoretic Co-Evolution for LLM-Based Heuristic Discovery [37.96481049421407]
  大規模言語モデル(LLM)は、自動発見の急速な進歩を可能にした。 本稿では,発見を問題解決者とインスタンスジェネレータのプログラムレベルの共進化として再編成するゲーム理論フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T12:14:52Z)
• PACEvolve: Enabling Long-Horizon Progress-Aware Consistent Evolution [64.15555230987222]
  PACEvolveはエージェントのコンテキストと検索ダイナミクスを堅牢に管理するように設計されたフレームワークである。 PACEvolveは、一貫性のある長期自己改善のための体系的なパスを提供する。
  論文  参考訳（メタデータ） (2026-01-15T18:25:23Z)
• Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
  実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。 単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。 LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
  論文  参考訳（メタデータ） (2025-11-20T04:11:44Z)
• Experience-Guided Reflective Co-Evolution of Prompts and Heuristics for Automatic Algorithm Design [124.54166764570972]
  組合せ最適化問題は伝統的に手作りのアルゴリズムで取り組まれている。 最近の進歩は、大規模言語モデルによる自動設計の可能性を強調している。 本稿では,自動アルゴリズム設計のためのPmpt and Heuristics (EvoPH) を用いた経験進化的リフレクティブ・ガイドを提案する。
  論文  参考訳（メタデータ） (2025-09-29T09:24:09Z)
• HSEvo: Elevating Automatic Heuristic Design with Diversity-Driven Harmony Search and Genetic Algorithm Using LLMs [7.04316974339151]
  ヒューリスティック・デザインは、複雑な探索とNP-ハード最適化の問題を解くのに有用であることから、活発な研究分野である。 適応型LLM-EPSフレームワークであるHSEvoを導入する。
  論文  参考訳（メタデータ） (2024-12-19T16:07:00Z)

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。