論文の概要: LLM-Guided Graph Generation for Structure-Based Local Improvement Methods

• arxiv url: http://arxiv.org/abs/2608.13333v2
• Date: Fri, 14 Aug 2026 15:15:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 13:59:16.231848
• Title: LLM-Guided Graph Generation for Structure-Based Local Improvement Methods
• Title（参考訳）: 構造に基づく局所的改善手法のためのLCMガイドグラフ生成
• Abstract要約: 我々はMiniZincフォーマットのすべての問題に問題のない自動パイプラインを構築する。 我々は,このパイプラインが1ショットのグロビベースラインに対して平均39.6%の問題解決率を達成することを示す。
• 参考スコア（独自算出の注目度）: 24.49624814434787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large neighborhood search normally selects a random subset of decision variables for iterative optimization. To efficiently solve various problems, researchers tend to design variable selection strategies that take into account structural features across different domains. In this paper, we build an automatic pipeline that is problem-agnostic to all problems in the MiniZinc format. By prompting an LLM with our semantic guidelines, we guide the LLM to produce a graph generator that maps any instance of a problem type to a uniform weighted graph, where nodes represent decision variables and edges represent constraint relationships. These problem-agnostic graphs guide our structure-based local improvement (SLIM) framework for variable selection. Meanwhile, the weighted graph enables all problem instances to share the same generic graph representation, from which the same graph features can be extracted and used for configuration selection. We evaluated our pipeline on instances across 20 MiniZinc competition problems, finding that algorithm selection achieves a 39.6% average problem-weighted win rate against a one-shot Gurobi baseline, more than doubling the best single configuration (19.3%). A post-hoc configuration and a feature ablation indicate a headroom of up to 44.0%, demonstrating that LLM-based semantic generation enables effective automated structure and feature extraction for constraint optimization.
• Abstract（参考訳）: 大近傍探索は通常、反復最適化のために決定変数のランダムな部分集合を選択する。 様々な問題を効率的に解決するために、研究者は異なる領域にまたがる構造的特徴を考慮した変数選択戦略を設計する傾向がある。 本論文では,MiniZincフォーマットのすべての問題に問題のない自動パイプラインを構築する。 LLMをセマンティックガイドラインで促すことで,問題型の任意のインスタンスを一様重み付きグラフにマッピングするグラフ生成器を生成する。 これらの問題に依存しないグラフは、変数選択のための構造ベース局所改善(SLIM)フレームワークをガイドする。 一方、重み付きグラフでは、すべての問題インスタンスが同じ汎用グラフ表現を共有でき、そこから同じグラフの特徴を抽出し、構成選択に使用することができる。 20のMiniZinc競合問題のインスタンス上でパイプラインを評価し、アルゴリズムの選択が1ショットのGurobiベースラインに対して39.6%の平均的な問題重み付き勝利率を達成することを発見した。 ポストホック構成と特徴アブレーションは、最大44.0%のヘッドルームを示し、LLMベースのセマンティック生成が効率的な自動構造と制約最適化のための特徴抽出を可能にしていることを示す。

関連論文リスト

• Adaptive Graph Refinement and Label Propagation with LLMs for Cost-Effective Entity Resolution [16.32872612569802]
  ダーティエンティティ解決(ER)は、1つの散らかったデータセットから同じ現実世界のエンティティを参照するレコードを識別する。 マッチングとクラスタリングのステップを反復的確率的ラベル伝搬プロセスに統合する統合フレームワークであるAlperを提案する。 8つのベンチマークデータセットに対する我々の実験は、Alperが最先端のカスケードパイプラインよりも一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2026-05-25T13:11:33Z)
• optimize_anything: A Universal API for Optimizing any Text Parameter [98.42497715725356]
  単一タスク検索をサポートする1つのAIベースの最適化システム、クロスプロブレム転送によるマルチタスク検索、および目に見えない入力への一般化を示す。 LLMに基づく検索によるテキストの最適化は汎用的な問題解決パラダイムであることを示す。
  論文  参考訳（メタデータ） (2026-05-19T10:18:12Z)
• GOAL: Graph-based Objective-Aligned Diffusion Solvers for Dynamic Multi-Objective Optimization [23.159351572430214]
  GOALは関係グラフ表現上の条件付き拡散解法である。 本稿では,異なる制約のクラスに対応する異なるエッジタイプが,グラフニューラルネットワークのメッセージパッシング構造を定義する異種グラフ符号化手法を提案する。 GOALは、最大20のジョブと60のオペレーションの複数の目的に対して、100%ソリューションの実現性とほぼゼロのMAPEを実現する。
  論文  参考訳（メタデータ） (2026-05-18T21:11:03Z)
• A Clustering-Based Variable Ordering Framework for Relaxed Decision Diagrams for Maximum Weighted Independent Set Problem [4.312746668772342]
  この研究は、変数順序付けのための新しいクラスタリングベースのフレームワークを導入する。 固定されていない変数の完全な集合に動的順序付けを適用する代わりに、最初にプリミティブ変数をクラスタに配置する。 次に、この構造分解を利用して順序付けプロセスの導出を行い、分割の探索空間を著しく削減する。
  論文  参考訳（メタデータ） (2025-12-17T08:49:38Z)
• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• A Greedy Strategy for Graph Cut [95.2841574410968]
  GGCと呼ばれるグラフカットの問題を解決するための欲求戦略を提案する。 これは、各データサンプルがクラスタと見なされる状態から始まり、2つのクラスタを動的にマージする。 GGCはサンプル数に関してほぼ線形な計算複雑性を持つ。
  論文  参考訳（メタデータ） (2024-12-28T05:49:42Z)
• Symmetry-preserving graph attention network to solve routing problems at multiple resolutions [1.9304772860080408]
  問題解決のために,最初の完全同変モデルとトレーニングを導入する。 入力グラフのマルチスケール構造を捉えることが不可欠である。 本稿では,Equi Graph Attention Network (mEGAT) アーキテクチャと組み合わせたマルチレゾリューション方式を提案する。
  論文  参考訳（メタデータ） (2023-10-24T06:22:20Z)
• Discrete Graph Auto-Encoder [52.50288418639075]
  離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。 まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。 2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
  論文  参考訳（メタデータ） (2023-06-13T12:40:39Z)
• Let the Flows Tell: Solving Graph Combinatorial Optimization Problems with GFlowNets [86.43523688236077]
  組合せ最適化(CO)問題はしばしばNPハードであり、正確なアルゴリズムには及ばない。 GFlowNetsは、複合非正規化密度を逐次サンプリングする強力な機械として登場した。 本稿では,異なる問題に対してマルコフ決定プロセス(MDP)を設計し,条件付きGFlowNetを学習して解空間からサンプルを作成することを提案する。
  論文  参考訳（メタデータ） (2023-05-26T15:13:09Z)
• DepGraph: Towards Any Structural Pruning [68.40343338847664]
  我々は、CNN、RNN、GNN、Transformersのような任意のアーキテクチャの一般的な構造解析について研究する。 本稿では,階層間の依存関係を明示的にモデル化し,包括的にグループ化してプルーニングを行う汎用かつ完全自動な手法であるemphDependency Graph(DepGraph)を提案する。 本研究では,画像用ResNe(X)t,DenseNet,MobileNet,Vision Transformer,グラフ用GAT,3Dポイントクラウド用DGCNN,言語用LSTMなど,さまざまなアーキテクチャやタスクに関する手法を広範囲に評価し,言語用LSTMと並行して示す。
  論文  参考訳（メタデータ） (2023-01-30T14:02:33Z)
• Adaptive Graph-based Generalized Regression Model for Unsupervised Feature Selection [11.214334712819396]
  非相関的かつ識別的特徴の選択は、教師なしの機能選択の重要な問題である。 非相関制約と $ell_2,1$-norm 正規化によって課される新しい一般化回帰モデルを提案する。 それは同時に同じ近所に属するこれらのデータ ポイントの分散を減らすこと無相関および差別的な特徴を選ぶことができます。
  論文  参考訳（メタデータ） (2020-12-27T09:07:26Z)

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。