Fugu-MT 論文翻訳(概要): Data-Driven Dynamic Algorithm Dispatch with Large Language Models

論文の概要: Data-Driven Dynamic Algorithm Dispatch with Large Language Models

arxiv url: http://arxiv.org/abs/2608.21584v1
Date: Fri, 21 Aug 2026 19:37:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-25 13:29:43.296478
Title: Data-Driven Dynamic Algorithm Dispatch with Large Language Models
Title（参考訳）: 大規模言語モデルを用いたデータ駆動動的アルゴリズムの分散
Abstract要約: 本稿では,大規模言語モデル(LLM)による動的アルゴリズムディスパッチを高速線形代数で生成する手法を提案する。 LU因子化に関するケーススタディは、専門家が設計した戦略を再現するモデルの能力を示している。
参考スコア（独自算出の注目度）: 1.0382948833881696
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce a large language model (LLM)-driven approach for generating dynamic algorithmic dispatch heuristics in high-performance linear algebra. By combining prompt engineering with LLaMA 3 and a curated performance database, the model learns to synthesize selection heuristics that exploit structural patterns to identify fast algorithmic choices. A case study on LU factorization demonstrates the model's ability to replicate expert-designed strategies. This work, developed as part of the DARPA-MIT SmartSolve project, highlights the promise of LLMs for algorithmic discovery and the development of more adaptive, fast linear algebra software.
Abstract（参考訳）: 高速線形代数における動的アルゴリズム的ディスパッチヒューリスティックを生成するための大規模言語モデル(LLM)によるアプローチを提案する。迅速なエンジニアリングをLLaMA 3とキュレートされたパフォーマンスデータベースと組み合わせることで、構造パターンを利用して高速なアルゴリズム選択を識別する選択ヒューリスティックを合成することを学ぶ。 LU因子化に関するケーススタディは、専門家が設計した戦略を再現するモデルの能力を示している。この研究はDARPA-MIT SmartSolveプロジェクトの一部として開発され、アルゴリズム発見のためのLLMの約束と、より適応的で高速な線形代数ソフトウェアの開発を強調している。

関連論文リスト

FormuEvo: LLM-Guided Evolution for Discovering Solver-Efficient Mixed-Integer Programming Formulations [66.32852384262038]
混合整数プログラミング(MIP)は、運用研究と産業最適化の核心にある。 FormuEvoは、解法効率のMIP式の自動発見のための進化的フレームワークである。 FormuEvoは、MIP定式化のシンボル空間上の進化的最適化として、MIP定式化設計を行う。
論文参考訳（メタデータ） (2026-08-24T15:01:28Z)
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)
BEAM: Bi-level Memory-adaptive Algorithmic Evolution for LLM-Powered Heuristic Design [49.50107918295052]
大規模言語モデルに基づくハイパーヒューリスティック(LHH)は、最近、自動設計の効率的な方法として登場した。この問題に対処するために textbfBEAM (Bi-level Memory-adaptive Algorithmic Evolution) を提案する。 BEAMは既存のLHHよりも著しく優れており、特に最適性ギャップが37.84%減少している。
論文参考訳（メタデータ） (2026-04-14T15:46:47Z)
LLaMEA-SAGE: Guiding Automated Algorithm Design with Structural Feedback from Explainable AI [4.440668887299803]
大規模言語モデルは、自然言語プロンプトから直接最適化アルゴリズムを生成することにより、自動アルゴリズム設計(AAD)を可能にした。生成したアルゴリズムの抽象構文木から抽出したグラフ理論および複雑性特徴から構築したフィードバックを用いてAADを誘導する機構を提案する。提案手法は,小制御実験においてバニラLLaMEAよりも高速に動作可能であることを示す。
論文参考訳（メタデータ） (2026-01-29T10:27:29Z)
Large Language Models and Algorithm Execution: Application to an Arithmetic Function [0.0]
LLM-DAL (Large Language Model - Decompositional Algorithmic Learning) と呼ばれる学習モデルを導入する。 LLMの複雑なアルゴリズム推論と一般化の能力は、トレーニング方法が適切に設計されている場合、大幅に改善できることを実証する。
論文参考訳（メタデータ） (2026-01-12T12:27:59Z)
CALM: Co-evolution of Algorithms and Language Model for Automatic Heuristic Design [11.639825726501659]
大規模言語モデル(LLM)は、従来のコストのごく一部で自律的にハイパフォーマンスを発見できる。本稿では,言語指導と数値指導を組み合わせたハイブリッドフレームワークを提案する。本手法は,様々な最適化タスクにおいて,SOTA(State-of-the-art)ベースラインを上回っている。
論文参考訳（メタデータ） (2025-05-18T07:48:47Z)
Efficient Model Selection for Time Series Forecasting via LLMs [52.31535714387368]
本稿では,Large Language Models (LLM) をモデル選択の軽量な代替手段として活用することを提案する。提案手法は, LLMの固有知識と推論能力を活用することで, 明示的な性能行列の必要性を解消する。
論文参考訳（メタデータ） (2025-04-02T20:33:27Z)
Generative Reliability-Based Design Optimization Using In-Context Learning Capabilities of Large Language Models [0.8356765961526956]
LLM(Large Language Models)は、コンテキスト内学習機能を示す。本稿では,LLMの文脈内学習機能を活用した生成設計手法を提案する。
論文参考訳（メタデータ） (2025-03-28T13:10:04Z)
EVOLvE: Evaluating and Optimizing LLMs For In-Context Exploration [76.66831821738927]
大規模言語モデル(LLM)は、不確実性の下で最適な意思決定を必要とするシナリオにおいて、未調査のままである。多くのアプリケーションに関係のあるステートレス強化学習環境である,帯域幅を最適に決定できる LLM の (in) 能力の測定を行う。最適な探索アルゴリズムの存在を動機として,このアルゴリズム知識をLLMに統合する効率的な方法を提案する。
論文参考訳（メタデータ） (2024-10-08T17:54:03Z)
Designing Algorithms Empowered by Language Models: An Analytical Framework, Case Studies, and Insights [86.06371692309972]
本研究では,大規模言語モデル(LLM)に基づくアルゴリズムの設計と解析のための分析フレームワークを提案する。提案する枠組みは頭痛を緩和する試みとして機能する。
論文参考訳（メタデータ） (2024-07-20T07:39:07Z)
Algorithm Evolution Using Large Language Model [18.03090066194074]
大規模言語モデル(AEL)を用いた進化的アルゴリズムを提案する。 AELはモデルトレーニングなしでアルゴリズムレベルの進化を行う。人間の努力とドメイン知識の要求は大幅に削減できる。
論文参考訳（メタデータ） (2023-11-26T09:38:44Z)

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。