論文の概要: Semantics-Guided Automatic Tensorization for Multiobjective Evolutionary Algorithms: A Multi-Agent Framework

• arxiv url: http://arxiv.org/abs/2609.02387v1
• Date: Wed, 02 Sep 2026 10:00:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.224076
• Title: Semantics-Guided Automatic Tensorization for Multiobjective Evolutionary Algorithms: A Multi-Agent Framework
• Title（参考訳）: 多目的進化アルゴリズムのための意味誘導型自動テンソル化:マルチエージェントフレームワーク
• Abstract要約: 我々は,MOEAの自動テンソル化をセマンティクス誘導型計算再構成として定式化する。 この定式化を実現するマルチエージェントフレームワークである進化的コード変換(EvoCoCo)を開発した。 EvoCoCoは、アルゴリズム固有の状態、依存関係、演算子、ロジックの更新を構造化セマンティック表現に再構築する。
• 参考スコア（独自算出の注目度）: 9.245787953561281
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiobjective evolutionary algorithms (MOEAs) naturally expose population-level parallelism, but many mature implementations encode their computation in sequential program structures designed for central processing units. Exploiting modern tensor computing platforms therefore requires more than direct code translation: the implementation must be restructured without changing the defining optimization mechanism of the underlying MOEA. We formulate automatic tensorization for MOEAs as semantics-guided computational restructuring and develop Evolutionary Code Conversion (EvoCoCo), a multi-agent framework that realizes this formulation. EvoCoCo reconstructs algorithm-specific states, dependencies, operators, and update logic into a structured semantic representation and organizes them through a shared tensorization blueprint. Specialized transformation branches then explore alternative tensor realizations, while execution feedback guides validation, repair, and candidate selection. Experiments on a benchmark of 48 MOEAs evaluate migration reliability, optimization fidelity, and computational scalability. Under matched large language model backends, EvoCoCo attains higher migration reliability than direct one-shot translation. Across the benchmark suites, 88.2% of valid comparisons satisfy the predefined optimization-fidelity criterion. The tensorized implementations also exhibit increasing acceleration on graphics processing units as population size or decision dimension grows, with median measured speedups ranging from $22.6\times$ under population scaling to $80.2\times$ under decision-dimension scaling. External-source and ablation studies further assess transfer beyond the main benchmark and the roles of the major framework components.
• Abstract（参考訳）: 多目的進化アルゴリズム(MOEA)は自然に集団レベルの並列性を公開するが、多くの成熟した実装では、中央処理ユニット用に設計された逐次的なプログラム構造にそれらの計算をエンコードしている。 したがって、現代のテンソルコンピューティングプラットフォームを爆発させるには、直接コード変換以上のことが必要であり、基礎となるMOEAの最適化メカニズムを変更せずに実装を再構築する必要がある。 我々は,MOEAの自動テンソル化を意味論的に導いた計算再構成として定式化し,この定式化を実現するマルチエージェントフレームワークである進化的コード変換(EvoCoCo)を開発した。 EvoCoCoは、アルゴリズム固有の状態、依存関係、演算子、更新ロジックを構造化セマンティック表現に再構成し、共有テンソル化ブループリントを通じてそれらを整理する。 特殊な変換ブランチは代替のテンソル実現を探求し、実行フィードバックは検証、修復、候補選択をガイドする。 48MOEAのベンチマーク実験では、マイグレーションの信頼性、最適化の忠実さ、計算スケーラビリティが評価されている。 マッチした大きな言語モデルバックエンドの下では、EvoCoCoは直接のワンショット翻訳よりも高いマイグレーション信頼性を実現している。 ベンチマークスイート全体で、有効な比較の88.2%は、事前に定義された最適化-忠実度基準を満たす。 テンソル化実装はまた、人口規模や決定次元が大きくなるにつれて、グラフィック処理ユニットの加速も増加しており、中央値の測定スピードアップは、人口規模で22.6\times$から、決定次元で80.2\times$までである。 外部ソースおよびアブレーションの研究は、主要なベンチマークと主要なフレームワークコンポーネントの役割を超えて、転送を評価する。

関連論文リスト

• Relation Reasoning with LLMs in Expensive Optimization [19.271995977675758]
  本稿では,強化学習型関係ベース大規模言語モデル (LLM) であるR2SAEAを提案する。 関係性に基づく代理モデリングをコンテキスト内のペアワイズ推論タスクとして用いた。 単目的と多目的のベンチマーク実験では、関係予測と最先端の最適化性能が改善された。
  論文  参考訳（メタデータ） (2026-04-30T04:28:10Z)
• Co-evolving Agent Architectures and Interpretable Reasoning for Automated Optimization [6.428928591765431]
  大規模言語モデル(LLM)を用いた操作研究は、手作業による推論によって制限されている。 自動最適化のための共進化的フレームワークであるEvoOR-Agentを提案する。 ケーススタディとアブレーション分析は、明示的なアーキテクチャ進化とグラフによる推論-軌道探索が、性能改善と構造的解釈可能性の両方に寄与していることを示している。
  論文  参考訳（メタデータ） (2026-04-20T01:44:18Z)
• CODMAS: A Dialectic Multi-Agent Collaborative Framework for Structured RTL Optimization [5.592208774984063]
  CODMASは、構造化弁証法とドメイン認識コード生成と決定論的評価を組み合わせたフレームワークである。 120のVerilogトリプル(最適化されていない、最適化された、テストベンチ)のベンチマークであるRTLOPTを導入し、パイプライン化とクロックゲーティング変換を行った。
  論文  参考訳（メタデータ） (2026-03-17T23:10:07Z)
• Merging Beyond: Streaming LLM Updates via Activation-Guided Rotations [55.047454145941366]
  Streaming Mergingは、反復最適化プロセスとしてマージを概念化する革新的なモデル更新パラダイムである。 ARMは勾配勾配勾配のダイナミクスを近似するために設計された戦略である。 ARMは初期のSFTチェックポイントしか必要とせず、反復的なマージによって完全に収束したSFTモデルを上回る。
  論文  参考訳（メタデータ） (2026-02-03T08:15:57Z)
• Beyond Quantity: Trajectory Diversity Scaling for Code Agents [51.71414642763219]
  Trajectory Diversity Scalingは、コードエージェントのためのデータ合成フレームワークである。 TDScalingは、(1)実際のサービスの論理的依存関係をキャプチャするBusiness Clusterメカニズム、(2)軌道コヒーレンスを強制するブループリント駆動のマルチエージェントパラダイム、(3)ロングテールシナリオを指向する適応的な進化メカニズムの4つの革新を統合しています。
  論文  参考訳（メタデータ） (2026-02-03T07:43:03Z)
• AI Agent for Reverse-Engineering Legacy Finite-Difference Code and Translating to Devito [0.0]
  本研究では,従来の有限差分実装のDevito環境への変換を容易にする統合AIフレームワークを開発する。 Retrieval-Augmented Generation (RAG)とオープンソースのLarge Language Modelsは、システムのハイブリッドLangGraphアーキテクチャにおいて、マルチステージ反復によって結合される。
  論文  参考訳（メタデータ） (2026-01-26T11:31:00Z)
• Deep Unfolding: Recent Developments, Theory, and Design Guidelines [99.63555420898554]
  この記事では、最適化アルゴリズムを構造化されたトレーニング可能なMLアーキテクチャに変換するフレームワークであるDeep Unfoldingのチュートリアルスタイルの概要を提供する。 推論と学習のための最適化の基礎を概観し、深層展開のための4つの代表的な設計パラダイムを導入し、その反復的な性質から生じる特有なトレーニングスキームについて議論する。
  論文  参考訳（メタデータ） (2025-12-03T13:16:35Z)
• HiVA: Self-organized Hierarchical Variable Agent via Goal-driven Semantic-Topological Evolution [13.440964262446558]
  HiVA(Hierarchical Variable Agent)は、セマンティック・トポロジカル・エボリューション(STEV)アルゴリズムを用いて、自己組織化グラフとしてエージェントをモデル化する新しいフレームワークである。 対話、コーディング、Longcontext Q&A、数学、エージェントベンチマークの実験では、タスク精度が5～10%向上し、リソース効率が向上した。
  論文  参考訳（メタデータ） (2025-08-29T18:51:18Z)
• DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
  大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。 符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。 我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
  論文  参考訳（メタデータ） (2025-03-18T14:02:59Z)
• X-volution: On the unification of convolution and self-attention [52.80459687846842]
  本稿では,畳み込み操作と自己注意操作の両方からなるマルチブランチ基本モジュールを提案する。 提案したX-進化は、非常に競争力のある視覚的理解の改善を実現する。
  論文  参考訳（メタデータ） (2021-06-04T04:32:02Z)
• Dynamic Hierarchical Mimicking Towards Consistent Optimization Objectives [73.15276998621582]
  一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。 DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。 カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
  論文  参考訳（メタデータ） (2020-03-24T09:56:13Z)

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。