論文の概要: ATLAS: Scaffold-Free Algorithm Synthesis by LLMs via Embedding-Guided Quality-Diversity Search

• arxiv url: http://arxiv.org/abs/2608.15546v1
• Date: Sun, 16 Aug 2026 05:43:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.335129
• Title: ATLAS: Scaffold-Free Algorithm Synthesis by LLMs via Embedding-Guided Quality-Diversity Search
• Title（参考訳）: ATLAS:埋め込み誘導品質ダイバーシティサーチによるLCMによるScaffold-freeアルゴリズム合成
• Authors: Danial Yazdani, Mohammad Nabi Omidvar, Yuan Sun, Maksud Ibrahimov, Xiaodong Li,
• Abstract要約: ATLASは、最適化における足場なし完全アルゴリズム合成のための組込み誘導型品質多様性フレームワークである。 この自由度は探索空間を拡大し、無効な候補と早期に1つの設計領域に収束するリスクを負う。 以上の結果から,組込み誘導型品質多様性探索により,拡張された全アルゴリズム設計空間を実用的に検索できる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 4.786013896901902
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most LLM-based automated algorithm design methods optimize a designated component within a human-specified scaffold, fixing overall organization and component interactions. We present ATLAS, an embedding-guided quality-diversity framework for scaffold-free full-algorithm synthesis in combinatorial optimization. The problem specification supplies objectives and constraints; a minimal I/O interface fixes only instance and solution formats; the LLM chooses and restructures components, interactions, and control flow. This freedom enlarges the search space, risking invalid candidates and premature convergence to one design region. ATLAS independently detects execution, interface, and feasibility failures, recomputes objectives, and applies error-conditioned repair; similarity-based archive management preserves algorithms across embedding-space regions to counter premature convergence. Its three-layer search refines the best design, gives other regions dedicated refinement opportunities, and performs cross-region synthesis to recombine components and their interactions. Across four NP-hard problems, ATLAS outperforms several state-of-the-art component-synthesis methods and a matched full-synthesis baseline while remaining competitive with strong human-designed algorithms. One ATLAS run retains several algorithms with comparable performance from distinct embedding-space regions rather than a single design. Code inspection finds that these multi-component designs differ in their primary construction or global-search backbone. Our results suggest that embedding-guided quality-diversity search can make the enlarged full-algorithm design space practically searchable. Source code and exact executable prompts are available at <https://github.com/Danial-Yazdani/ATLAS>.
• Abstract（参考訳）: ほとんどのLLMベースの自動アルゴリズム設計手法は、人間の指定した足場内の指定されたコンポーネントを最適化し、組織全体とコンポーネント間の相互作用を修正する。 組換え最適化における足場なし完全アルゴリズム合成のための組込み誘導型品質多様性フレームワークATLASを提案する。 問題仕様は目的と制約を提供し、最小限のI/Oインターフェースはインスタンスとソリューションのフォーマットだけを修正し、LCMはコンポーネント、インタラクション、制御フローを選択し、再構成する。 この自由度は探索空間を拡大し、無効な候補と早期に1つの設計領域に収束するリスクを負う。 ATLASは、実行、インタフェース、実行可能性障害を独立に検出し、目的を再計算し、エラー条件付き修復を適用する。 その3層探索は、最良の設計を洗練し、他の領域に改良の機会を与え、コンポーネントとそれらの相互作用を再結合するクロスリージョン合成を実行する。 4つのNPハード問題全体で、ATLASは、強力な人間設計アルゴリズムと競合しながら、最先端のコンポーネント合成法と整合したフルシンセサイザーベースラインを上回っている。 1つのATLASランは、単一の設計ではなく、異なる埋め込み空間領域からの同等の性能を持つ複数のアルゴリズムを保持する。 コードインスペクションは、これらの複数コンポーネントの設計が、最初の構成やグローバル検索のバックボーンで異なることを発見した。 以上の結果から,組込み誘導型品質多様性探索により,拡張された全アルゴリズム設計空間を実用的に検索できる可能性が示唆された。 ソースコードと正確な実行可能なプロンプトは <https://github.com/Danial-Yazdani/ATLAS> で公開されている。

関連論文リスト

• 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)
• FrontierOR: Benchmarking LLMs' Capacity for Efficient Algorithm Design in Large-Scale Optimization [61.43300970020897]
  大規模言語モデル(LLM)は、最適化モデリングとソルバコード生成にますます使われている。 既存のベンチマークは、実際のスケールと複雑さよりもはるかに低い、小さな、あるいは単純化された例に限られている。 現実的な大規模最適化問題に対して,LLMに基づく効率的なアルゴリズム設計を評価するための最初のベンチマークとしてFrontierORを紹介した。
  論文  参考訳（メタデータ） (2026-05-24T20:10:42Z)
• 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)
• LM-Searcher: Cross-domain Neural Architecture Search with LLMs via Unified Numerical Encoding [55.5535016040221]
  LM-Searcherは、クロスドメインニューラルネットワーク最適化のための新しいフレームワークである。 我々のアプローチの中心は、ニューラルネットワークのための普遍的な数値文字列表現であるNCodeである。 我々のデータセットは、幅広いアーキテクチャとパフォーマンスのペアを含み、堅牢で伝達可能な学習を促進する。
  論文  参考訳（メタデータ） (2025-09-06T09:26:39Z)
• LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
  大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。 LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。 LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
  論文  参考訳（メタデータ） (2025-08-16T02:00:57Z)
• STRCMP: Integrating Graph Structural Priors with Language Models for Combinatorial Optimization [18.162186876640764]
  演算研究と理論計算機科学の中心となる組合せ最適化(CO)問題は、NPハードな性質のため、重要な計算課題を提示する。 本稿では,StRCMPを提案する。STRCMPは,構造先行を体系的に統合し,解の質と解解効率を向上する新しい構造対応アルゴリズム探索フレームワークである。 我々のフレームワークは、COインスタンスから構造埋め込みを抽出するグラフニューラルネットワーク(GNN)と、これらの埋め込みを条件としたLLMを組み合わせることで、ソルバ固有コードの形で高い性能のアルゴリズムを識別する。
  論文  参考訳（メタデータ） (2025-05-22T15:37:42Z)

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。