論文の概要: Synthesizing Feature Extractors: An Agentic Approach for Algorithm Selection

• arxiv url: http://arxiv.org/abs/2608.17170v1
• Date: Mon, 17 Aug 2026 22:12:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.15235
• Title: Synthesizing Feature Extractors: An Agentic Approach for Algorithm Selection
• Title（参考訳）: 合成機能エクストラクタ:アルゴリズム選択のためのエージェントアプローチ
• Abstract要約: 制約満足度問題に対するアルゴリズムの選択は、問題構造をキャプチャする特徴を抽出する必要がある。 本稿では,大規模言語モデル(LLM)をエージェントチェック-修正-検証ループで使用して,解釈可能な問題固有の特徴抽出器として機能する実行可能なPythonスクリプトを合成する自動アプローチを提案する。 提案手法は, 車両経路, カーシークエンシング, 固定長誤り訂正符号の3つの問題に対して, 最先端の5つの解法をポートフォリオとして評価する。
• 参考スコア（独自算出の注目度）: 22.839460121474332
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Algorithm selection for constraint satisfaction problems requires extracting features that capture problem structure. Manually designing feature extractors demands deep domain expertise and quickly becomes a bottleneck when new problem classes appear. We present an automated approach that uses Large Language Models (LLMs) in an agentic check--fix--verify loop to synthesize executable Python scripts that act as interpretable, problem-specific feature extractors. Given a high-level MiniZinc model and an instance, the LLM agent generates code that constructs a typed graph representation and computes structural properties such as graph density, variable clustering, and constraint tightness. We evaluate our approach on three combinatorial problems (vehicle routing, car sequencing, fixed-length error-correcting codes) with a portfolio of five state-of-the-art solvers. The synthesized extractors yield algorithm selectors that consistently outperform both expert-curated mzn2feat features (up to $8.3$ percentage points (pp) test-set accuracy on FLECC) and the best transformer-based trans2feat variants. In the meanwhile, the synthesized feature extractors remain inspectable.
• Abstract（参考訳）: 制約満足度問題に対するアルゴリズムの選択は、問題構造をキャプチャする特徴を抽出する必要がある。 手動で機能抽出器を設計するには、深いドメインの専門知識が必要であり、新しい問題クラスが現れるとすぐにボトルネックになる。 本稿では,大規模言語モデル(LLM)をエージェントチェック-修正-検証ループで使用して,解釈可能な問題固有の特徴抽出器として機能する実行可能なPythonスクリプトを合成する自動アプローチを提案する。 高レベルのMiniZincモデルとインスタンスが与えられた後、LLMエージェントは型付きグラフ表現を構築し、グラフ密度、可変クラスタリング、制約の厳密性などの構造特性を計算するコードを生成する。 我々は,5つの最先端解法からなる組込み問題(車両ルーティング,カーシークエンシング,固定長誤り訂正符号)に対するアプローチを評価した。 合成抽出器は、専門家によるmzn2feat特徴(FLECCで最大8.3ドルパーセンテージポイント (pp) のテストセット精度)と変換器ベースのトランス2feat変種の両方を一貫して上回るアルゴリズムセレクタを出力する。 一方、合成された特徴抽出器は検査可能である。

関連論文リスト

• Auto-FlexSwitch: Efficient Dynamic Model Merging via Learnable Task Vector Compression [54.12624130407679]
  タスクベクトルを3つのコンパクトなコンポーネントに分解するT-Switchを提案する。 次に,タスクベクトルを自動生成するトレーニングフリーマージスキームであるAuto-Switchを紹介する。 本稿では,高効率なタスクベクトル圧縮をサポートする動的モデルマージ手法であるAuto-FlexSwitchを提案する。
  論文  参考訳（メタデータ） (2026-04-30T16:58:05Z)
• Optimal Abstractions for Verifying Properties of Kolmogorov-Arnold Networks (KANs) [8.114307305249929]
  コルモゴロフ・アルノルドネットワーク(KAN)の特性検証のための新しい手法を提案する。 我々の重要な貢献は、最適な抽象化を見つけるためにkan構造を利用する体系的なフレームワークである。 このアプローチは、全体的な精度要件を維持しながら、各ユニットの最適近似戦略を決定する。
  論文  参考訳（メタデータ） (2026-02-06T14:33:41Z)
• In-Context Algorithm Emulation in Fixed-Weight Transformers [13.585357287532588]
  凍結したウェイトを持つ最小のトランスフォーマーは、コンテキスト内プロンプトによって幅広いアルゴリズムのクラスをエミュレートする。 1つの固定重2層アテンションモジュールは、プロンプトのみを通してタスク固有のクラスから全てのアルゴリズムをエミュレートする。
  論文  参考訳（メタデータ） (2025-08-24T23:20:31Z)
• AdaptiveK Sparse Autoencoders: Dynamic Sparsity Allocation for Interpretable LLM Representations [28.447024168930984]
  本稿では,各入力の意味的複雑さに基づいて空間レベルを動的に調整する新しいフレームワークであるAdaptiveK SAE(Adaptive Top K Sparse Autoencoders)を提案する。 本研究では, この複雑化による適応が, 再構成忠実度, 分散, コサイン類似度, 解釈可能性指標において, 固定スパーシティアプローチを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2025-08-24T12:00:41Z)
• A system identification approach to clustering vector autoregressive time series [50.66782357329375]
  基礎となる力学に基づく時系列のクラスタ化は、複雑なシステムモデリングを支援するために研究者を惹きつけている。 現在の時系列クラスタリング手法のほとんどは、スカラー時系列のみを処理し、ホワイトノイズとして扱うか、高品質な特徴構築のためにドメイン知識に依存している。 システム識別アプローチは、機能/測定構造に頼るのではなく、基礎となる自己回帰力学を明示的に考慮することで、ベクトル時系列クラスタリングを処理できる。
  論文  参考訳（メタデータ） (2025-05-20T14:31:44Z)
• Benchmarking Large Language Models with Integer Sequence Generation Tasks [2.204499020600093]
  本稿では,数学推論タスクにおける大規模言語モデル(LLM)の機能評価を行うベンチマークを提案する。 このベンチマークは、オンラインシーケンス百科事典(OEIS)から得られた整数列生成タスクからなる。 私たちの評価には、OpenAI(特別な推論に焦点を当てたoシリーズを含む)、Arthropic、Meta、Googleのリードモデルが含まれています。
  論文  参考訳（メタデータ） (2024-11-07T02:05:43Z)
• Factorizers for Distributed Sparse Block Codes [45.29870215671697]
  分散ブロック符号(SBC)を高速かつ高精度に分解する手法を提案する。 我々の反復分解器は、しきい値に基づく非線形活性化、条件付きランダムサンプリング、および $ell_infty$-based similarity metricを導入している。 CIFAR-100, ImageNet-1K, RAVENデータセット上での4つの深層CNNアーキテクチャの実現可能性を示す。
  論文  参考訳（メタデータ） (2023-03-24T12:31:48Z)
• ClusTR: Exploring Efficient Self-attention via Clustering for Vision Transformers [70.76313507550684]
  本稿では,密集自己注意の代替として,コンテンツに基づくスパースアテンション手法を提案する。 具体的には、合計トークン数を減少させるコンテンツベースの方法として、キーとバリュートークンをクラスタ化し、集約する。 結果として得られたクラスタ化されたTokenシーケンスは、元の信号のセマンティックな多様性を保持するが、より少ない計算コストで処理できる。
  論文  参考訳（メタデータ） (2022-08-28T04:18:27Z)
• Gleo-Det: Deep Convolution Feature-Guided Detector with Local Entropy Optimization for Salient Points [5.955667705173262]
  本稿では, 深い畳み込み特徴のガイダンスを伴い, 繰り返し可能性の要求に基づき, きめ細かな制約を実現することを提案する。 畳み込み特徴のガイダンスを用いて、正と負の両面からコスト関数を定義する。
  論文  参考訳（メタデータ） (2022-04-27T12:40:21Z)
• Optimal Clustering with Bandit Feedback [57.672609011609886]
  本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。 これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。 合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T06:05:05Z)
• Predicting Attention Sparsity in Transformers [0.9786690381850356]
  本稿では, 遠心注意の空間パターンを計算前に同定するモデルであるスペーサーファインダーを提案する。 我々の研究は、予測された注目グラフの間隔とリコールの間のトレードオフを広範囲に分析することで、モデル効率を研究するための新しい角度を提供する。
  論文  参考訳（メタデータ） (2021-09-24T20:51:21Z)
• An Efficient Algorithm for Cooperative Semi-Bandits [0.0]
  本稿では,有名なFollow The Perturbed Leaderアルゴリズムの協調バージョンであるCoop-FTPLを紹介する。 T 時間ステップ後のアルゴリズムの期待された後悔は QT log(k)(k$alpha$ 1 /Q + m) であり、Q は総アクティベーション確率質量である。
  論文  参考訳（メタデータ） (2020-10-05T07:08:26Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
  本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。 最小クラスタ回復誤差率のアルゴリズムを考案する。 適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2019-10-14T09:18:26Z)

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。