論文の概要: Improving Constraint Models with LLM Agents

• arxiv url: http://arxiv.org/abs/2608.08127v1
• Date: Sat, 08 Aug 2026 13:22:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.688908
• Title: Improving Constraint Models with LLM Agents
• Title（参考訳）: LLMエージェントによる制約モデルの改善
• Abstract要約: オープンな空間から制約モデルを再構成するエージェントフレームワークを導入し、建設よりも経験的に正確性を確立する。 モデルと3つのトレーニングインスタンスが与えられたLarge Language Model (LLM)エージェントは、代替の定式化を提案し、そのソリューションを元のモデルに注入することでそれぞれを検証する。 9つの最適化問題において、生成されたモデルは27の試験インスタンスのうち21のオリジナルよりも優れており、いくつかの問題では2桁以上高速に解決されている。
• 参考スコア（独自算出の注目度）: 23.96475985648844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The runtime of Constraint Programming (CP) solvers is highly sensitive to modeling choices, such as symmetry breaking, implied constraints, global constraints, constraint reformulation, and variable representation. Improving these constraint models has traditionally required human expertise, and existing automated reformulation systems are restricted to a predefined library of hand-crafted transformation rules. We introduce an agentic framework that instead reformulates a constraint model from an open-ended space and establishes correctness empirically rather than by construction: a Large Language Model (LLM) agent, given a model and three training instances, proposes alternative formulations, validates each by injecting its solution back into the original model, and diagnoses and repairs failures, returning the best variant it finds in a median of about fifteen minutes. The models are expressed in the CPMpy modeling library, and each proposed model is evaluated on three larger test instances. Across nine combinatorial optimization problems, the generated models outperform the originals on 21 of 27 test instances, and on some problems solve more than two orders of magnitude faster. A comparison against non-agentic baselines that reuse the same validation and selection tools indicates that the gains stem from the agent's iterative diagnosis and repair, not merely from sampling several candidates. These results demonstrate that autonomous agentic methods can support the improvement of constraint models.
• Abstract（参考訳）: 制約プログラミング(CP)ソルバのランタイムは、対称性の破れ、暗黙の制約、大域的制約、制約の修正、変数表現などのモデル選択に非常に敏感である。 これらの制約モデルの改善は伝統的に人間の専門知識を必要としており、既存の自動改定システムは手作りの変換規則のライブラリに制限されている。 大規模言語モデル(LLM)エージェントは、モデルと3つの訓練インスタンスを与えられた場合、代替の定式化を提案し、その解を元のモデルに注入することでそれぞれを検証し、失敗の診断と修復を行い、中央値15分で見つかる最良の変種を返却する。 モデルはCPMpyモデリングライブラリで表現され、各モデルが3つの大きなテストインスタンスで評価される。 9つの組合せ最適化問題において、生成されたモデルは27の試験インスタンスのうち21のオリジナルよりも優れており、いくつかの問題では2桁以上高速に解決されている。 同一のバリデーションと選択ツールを再利用した非エージェントベースラインとの比較は、エージェントの反復的な診断と修復から得られる利得が、単に複数の候補をサンプリングすることによるものではないことを示している。 これらの結果は,自律エージェント手法が制約モデルの改善を支援することを実証している。

関連論文リスト

• LLM-Guided Evolutionary Search for Constraint Model Reformulation to Improve Solver Efficiency [5.774119507201688]
  大きな言語モデル(LLM)は、自然言語から正しいモデルを生成することができるが、正しいモデルでさえ解決するのにコストがかかる。 我々は,LLMがユーザ定義ベースラインモデルに対して検証およびベンチマークを行う候補修正を提案する進化的フレームワークを用いる。 既存の保持戦略は、正確さやパフォーマンスを優先するが、コンテキストを明示的に多様化するものではない。 検証に基づく最終モデル選択を用いて,8つのCSPLib問題の戦略を体系的に評価した。
  論文  参考訳（メタデータ） (2026-07-30T14:21:55Z)
• Model-Driven Discipline for Multi-Agent LLMs: Requirement-to-Verification Generation of Traceable System Models [62.62160094849002]
  RADIANTは、MDEとMulti-Agent Large Language Modelを組み合わせたエンジニアリング方法論である。 工学的なフェーズにまたがる異種モデルを自動的に生成する。 正確かつ自動的な変更インパクト分析を提供する。
  論文  参考訳（メタデータ） (2026-07-18T08:50:55Z)
• Opt-Verifier: Unleashing the Power of LLMs for Optimization Modeling via Dual-Side Verification [53.763212981479455]
  本稿では、構造と解の両方の観点から、デュアルサイド検証(Opt-Verifier)を用いた新しいフレームワークを提案する。 一般的なベンチマーク実験により、我々の手法は精度が20%以上向上していることが示された。
  論文  参考訳（メタデータ） (2026-05-28T08:09:52Z)
• MIRROR: A Multi-Agent Framework with Iterative Adaptive Revision and Hierarchical Retrieval for Optimization Modeling in Operations Research [15.28095645151852]
  MIRRORは、操作研究のための微調整のないエンドツーエンドのマルチエージェントフレームワークである。 自然言語の最適化問題を数学的モデルや解法コードに変換する。 実験により、MIRRORは標準的なOperations Researchベンチマークの既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-03T09:46:56Z)
• Composition and Alignment of Diffusion Models using Constrained Learning [79.36736636241564]
  拡散モデルは、複雑な分布からサンプルを採取する能力により、生成的モデリングにおいて普及している。 i) 拡散モデルを微調整して報酬と整合させるアライメントと、(ii) 予め訓練された拡散モデルを組み合わせて、それぞれが生成した出力に望ましい属性を強調する合成である。 本稿では,共役モデルが報酬制約を満たすこと,あるいは(潜在的に複数の)事前学習モデルに近づき続けることを強制することによって,拡散モデルのアライメントと構成を統一する制約付き最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-26T15:06:30Z)
• CP-Bench: Evaluating Large Language Models for Constraint Modelling [6.250460397062786]
  制約プログラミング(CP)は、問題を解くために広く使われているが、その中核となるプロセス、すなわち制約モデリングは、かなりの専門知識を必要とし、広く採用される際のボトルネックと考えられている。 近年,問題記述を実行可能な制約モデルに変換するために,Large Language Models (LLMs) を用いて検討されている。 制約モデリングのための既存の評価データセットは、しばしば、現実のシナリオの多様性を捉えない、小さく、均一で、ドメイン固有のインスタンスに限られる。 この研究はCP-Benchの導入によってこのギャップに対処する。CPコミュニティから得られた様々な既知の問題を含む新しいベンチマークであるCP-Benchは構造化されている。
  論文  参考訳（メタデータ） (2025-06-06T12:56:02Z)
• EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
  Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。 EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
  論文  参考訳（メタデータ） (2024-05-23T05:25:45Z)
• Solving Inverse Problems with Model Mismatch using Untrained Neural Networks within Model-based Architectures [14.551812310439004]
  モデルベースアーキテクチャでは,各インスタンスの計測領域におけるデータの一貫性を一致させるために,トレーニングされていないフォワードモデル残差ブロックを導入する。 提案手法は,パラメータ感受性が低く,追加データを必要としない統一解を提供し,前方モデルの同時適用と1パスの再構成を可能にする。
  論文  参考訳（メタデータ） (2024-03-07T19:02:13Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)

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。