論文の概要: Ask Before You Optimize: Dynamic Pre-Formulation Clarification for Interactive Optimization
- arxiv url: http://arxiv.org/abs/2609.05258v2
- Date: Tue, 08 Sep 2026 05:46:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-09 22:37:20.343627
- Title: Ask Before You Optimize: Dynamic Pre-Formulation Clarification for Interactive Optimization
- Title（参考訳）: Ask before youtimize: Dynamic Pre-Formulation Clarification for Interactive Optimization
- Authors: Sihan Ge, Yichen Lin, Chenyu Zhou, Jianghao Lin, Tao Yao, Dongdong Ge,
- Abstract要約: 本稿では,事前定式化のためのベンチマークであるOR-Clarifyを紹介する。
本稿では,未解決な定式化クリティカルギャップを識別する2段階フレームワークInterOPTを提案する。
- 参考スコア（独自算出の注目度）: 11.777689650316232
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) are increasingly used to formulate optimization models from natural-language problem descriptions, yet realistic operations research (OR) requests are often incomplete: missing objectives, constraints, or business rules can change the resulting mathematical program. Existing evaluations largely assume a complete specification and therefore overlook whether an agent knows when clarification is needed before modeling. We introduce OR-Clarify, a benchmark for pre-formulation clarification. Each task presents a partial public problem description, withholds structured hidden slots, and evaluates agents through bounded interaction with a simulated user. The benchmark supports both openended and choice-based clarification, and measures slot recovery, stopping behavior, silent assumptions, and interaction cost. We further propose Interactive Optimization (InterOPT), a two-stage framework that identifies unresolved formulation-critical gaps and uses them to guide whether to ask the next question or to stop. In our choice-based experiments, InterOPT substantially outperforms all baselines in exact slot recovery; in the open-ended setting, it remains competitive with strong prior methods. Together, OR-Clarify and InterOPT reframe OR assistance as a selective completeness decision: clarify when needed, stop when ready, and quantify what remains missing.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、自然言語による問題記述から最適化モデルを定式化するために使われることが多いが、現実的な操作研究(OR)要求はしばしば不完全である。
既存の評価は、主に完全な仕様を前提としており、従って、エージェントがモデリングの前に明確化が必要なことを知っているかどうかを見落としている。
本稿では,事前定式化のためのベンチマークであるOR-Clarifyを紹介する。
各タスクは、部分的な公開問題記述を示し、構造化された隠れスロットを保持し、シミュレーションされたユーザとのバウンドインタラクションを通じてエージェントを評価する。
このベンチマークでは、オープン化と選択ベースの明確化の両方をサポートし、スロット回復、動作停止、サイレント仮定、インタラクションコストを測定している。
さらに、未解決な定式化クリティカルなギャップを識別し、次の質問をするか、止めるかをガイドする2段階のフレームワークInterOPTを提案する。
選択に基づく実験では、InterOPTはスロットリカバリにおいて全てのベースラインを大幅に上回るが、オープンエンド環境では、強い先行手法と競合する。
OR-Clarify と InterOPT のリフレーム OR アシストは、必要なときに明確化し、準備が整うと停止し、行方不明のままのものを定量化する、選択的な完全性決定である。
関連論文リスト
- CLAIM: Leading Open-domain Active Clarification of Large Language Models with Uncertainty Measurement [50.91045324738942]
CLAIMは、オープンドメイン環境でのアクティブな明確化学習のための不確実性駆動フレームワークである。
本研究では,不確実性推定とセマンティッククラスタリングと推論に基づく判断を統合したエントロピー駆動型合成データ生成パイプラインを提案する。
実験の結果,手動でラベル付けしたデータに頼ることなく,CLAIMが安定かつ一般化可能な明確化戦略を学習できることが確認された。
論文 参考訳（メタデータ） (2026-08-12T04:27:45Z) - From Profiling to Synthesis: Benchmarking Implicit Behavioral Alignment in Personalized LLM Agents [56.187590188698955]
大規模言語モデルは、ますます有能な自律エージェントを可能にしてきたが、そのようなエージェントを実用的に有効にするためには、パーソナライズが不可欠である。
最近のベンチマークではエージェントのパーソナライゼーションの評価が始まっているが、それらは主に静的な選好スナップショット、固定されたインタラクションログ、あるいは事前に定義されたユーザプロファイルに対する質問応答に依存している。
縦断的相互作用履歴から構築した暗黙的行動アライメントのベンチマークであるIBA-Benchを紹介する。
IBA-Agentは、広範囲な検索と軌道レベルのアライメントを通じて競合する優先順位を調整するエージェントフレームワークである。
論文 参考訳（メタデータ） (2026-08-03T12:52:04Z) - Position: It's Time to Optimize LLMs for Self-Consistency [50.68587056599734]
多くの重要な障害は、事前および後トレーニングパイプラインの言語モデルに持続する。
これらの失敗は、パイプラインのすべての側面に浸透するモデリングの前提から生じます。
これらの失敗を理解するためのフレームワークとして,自己整合性を提案する。
論文 参考訳（メタデータ） (2026-07-31T19:16:53Z) - Provably Efficient Personalized Multi-Objective Bandits with Proactive Conversational Queries [24.496126767935937]
ユーザクエリが構造化された嗜好信号を提供する,プロアクティブなクエリベースのフレームワークを形式化する。
提案手法は,事前の嗜好を意識したMO-MAB法よりも,提案手法により優先推定が促進され,後悔のスケーリングが向上することを証明する。
論文 参考訳（メタデータ） (2026-06-07T02:19:59Z) - PassiveQA: A Three-Action Framework for Epistemically Calibrated Question Answering via Supervised Finetuning [0.0]
不完全情報の下では、モデルが解答、解答、Ask、Abstainを判断しなければならない。
本稿では,教師付き微調整によりモデル行動と情報満足度を整合させる3つのアクション・フレームワークであるPassiveQAを提案する。
提案手法は,構造化情報状態表現,知識グラフ基底コンテキスト,および不足変数と決定推論を明示的にモデル化した微調整プランナーを統合する。
論文 参考訳（メタデータ） (2026-04-06T09:54:16Z) - Structure-Aware Robust Counterfactual Explanations via Conditional Gaussian Network Classifiers [0.26999000177990923]
本研究は,条件付き条件グラフに基づく構造認識型ロバストネス・ウンタファクト探索手法を提案する。
結果から,本手法は,特に安定な依存関係を提供する元の定式化を直接最適化することにより,強い整合性を実現することが示された。
提案手法は,非循環的制約下での非実効的推論における今後の進歩の基盤となる。
論文 参考訳（メタデータ） (2026-02-08T15:51:45Z) - Conformal Information Pursuit for Interactively Guiding Large Language Models [68.16703423481935]
本稿では,クエリ数の最小化を目的としたシーケンシャルクエリ戦略について検討する。
そのような戦略の1つは情報探索(IP)であり、各反復で情報ゲインを最大化または同等に不確実性を最小化するクエリを選択する。
本稿では,コンフォーマル情報探索法(C-IP)を提案する。
論文 参考訳（メタデータ） (2025-07-04T03:55:39Z) - Clarify When Necessary: Resolving Ambiguity Through Interaction with LMs [58.620269228776294]
そこで本稿では,ユーザに対して,あいまいさを解消するためのタスク非依存のフレームワークを提案する。
我々は3つのNLPアプリケーション(質問応答、機械翻訳、自然言語推論)にまたがるシステムを評価する。
インテントシムは堅牢であり、幅広いNLPタスクやLMの改善を実証している。
論文 参考訳（メタデータ） (2023-11-16T00:18:50Z) - Population-Based Methods: PARTICLE SWARM OPTIMIZATION -- Development of
a General-Purpose Optimizer and Applications [0.0]
この論文は、不等式制約を受ける連続、静的、単目的の最適化問題に関係している。
粒子群最適化のパラダイムは、社会で観察された協調行動の以前のシミュレーションから着想を得たものである。
論文 参考訳（メタデータ） (2021-01-25T09:36:25Z)
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。