論文の概要: MAPLE: Memory-Augmented Planning with Language and Evolution
- arxiv url: http://arxiv.org/abs/2609.11636v1
- Date: Thu, 10 Sep 2026 14:44:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.403801
- Title: MAPLE: Memory-Augmented Planning with Language and Evolution
- Title（参考訳）: MAPLE: 言語と進化によるメモリ拡張計画
- Abstract要約: LLMベースの最適化エージェントは、自然言語の要求を最適化ツールを確立したモデルや解決プログラムに翻訳する。
我々は、連続した自然言語要求による最適化問題を維持するエージェントであるMAPLEを紹介する。
- 参考スコア（独自算出の注目度）: 3.8435661484487045
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain practitioners understand their business constraints but may lack operations-research expertise or dedicated support. LLM-based optimization agents translate natural-language requirements into models or solver programs that established optimization tools can execute. This progress makes optimization more accessible, but real-world operations are dynamic: changing demand, resources, and priorities require updates to data, constraints, and objectives. Methods centered on isolated requests offer limited support for rapid adaptation that preserves earlier decisions and reuses useful search results. We introduce MAPLE (Memory-Augmented Planning with Language and Evolution), an agent for maintaining optimization problems through successive natural-language requests. MAPLE combines language-based problem construction with mathematical programming and evolutionary search. It retains the optimization program, accepted plans, earlier updates, and candidate solutions for subsequent requests. We introduce NLDO, a benchmark of 15 trajectories and 180 updates spanning selection, scheduling, rostering, routing, and cloud-resource placement. In the main evaluation, MAPLE completes all trajectories and achieves online scalar quality of 0.951 and a Pareto hypervolume ratio of 0.875. Controlled comparisons further show that maintaining executable state improves update validity and can preserve useful search information across substantial revisions.
- Abstract（参考訳）: ドメイン・実践者はビジネス上の制約を理解しますが、オペレーション・リサーチの専門知識や専用のサポートが欠如しています。
LLMベースの最適化エージェントは、自然言語の要求を最適化ツールを確立したモデルや解決プログラムに翻訳する。
この進歩により、最適化はよりアクセスしやすくなりますが、現実の操作は動的です。需要、リソース、優先順位を変更するには、データ、制約、目的に対する更新が必要です。
分離された要求を中心とした手法は、事前の判断を保存し、有用な検索結果を再利用する、迅速な適応のための限定的なサポートを提供する。
我々は,連続した自然言語要求による最適化問題を維持するエージェントであるMAPLE(Memory-Augmented Planning with Language and Evolution)を紹介する。
MAPLEは、言語ベースの問題構築と数学的プログラミングと進化的探索を組み合わせる。
最適化プログラム、承認された計画、以前の更新、およびその後の要求に対する候補ソリューションを維持している。
NLDOは、選択、スケジューリング、ロスター、ルーティング、クラウドリソース配置にまたがる15のトラジェクトリと180の更新のベンチマークである。
主な評価では、MAPLEは全ての軌道を完了し、オンラインスカラー品質0.951、パレートハイパーボリューム比0.875を達成する。
制御された比較により、実行可能な状態を維持することで、更新の妥当性が向上し、実質的なリビジョンを越えて有用な検索情報を保存できることが示される。
関連論文リスト
- The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows [72.9051182568928]
推論駆動最適化のための統合フレームワークであるReASearchを提案する。
共有エージェントループとドメイン固有のツールにより、ReASearchは、プロンプト、プログラム、MLを最適化するために、まったく同じスキャフォールドをインスタンス化する。
我々は,複雑な探索行動がエージェントの推論プロセスから自然に現れることを観察する。
論文 参考訳（メタデータ） (2026-08-07T02:15:39Z) - 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) - Democratizing Large-Scale Re-Optimization with LLM-Guided Model Patches [14.24802309734814]
本稿では,大規模言語モデル(LLM)がORエキスパートとして機能するエージェント的再最適化フレームワークを提案する。
提案フレームワークは,デプロイされた最適化モデルの対話的かつ連続的な適応を可能にする。
論文 参考訳（メタデータ） (2026-05-18T17:28:25Z) - Large Language Models as Optimizers: A Survey of Direct vs. Tool-Augmented Approaches and Their Performance Frontiers [0.0]
大規模言語モデル(LLM)は複雑な数学的最適化にますます関与している。
本稿では、直接最適化の今後の可能性とツール強化最適化の監査可能性とのトレードオフを論じる。
論文 参考訳（メタデータ） (2026-04-09T17:35:31Z) - AdaEvolve: Adaptive LLM Driven Zeroth-Order Optimization [61.535567824938205]
本稿では,LLMによる進化を階層的適応最適化問題として再構成するフレームワークであるAdaEvolveを紹介する。
AdaEvolveは185の異なるオープンエンド最適化問題において、オープンエンドベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-02-23T18:45:31Z) - Beyond Relational: Semantic-Aware Multi-Modal Analytics with LLM-Native Query Optimization [35.60979104539273]
Nirvanaは、プログラム可能なセマンティック演算子を組み込んだマルチモーダルデータ分析フレームワークである。
Nirvanaはエンドツーエンドのランタイムを10%から85%削減し、システム処理コストを平均で76%削減できる。
論文 参考訳（メタデータ） (2025-11-25T01:41:49Z) - VORTEX: Aligning Task Utility and Human Preferences through LLM-Guided Reward Shaping [40.48402462300208]
社会的影響の最適化において、AI決定システムはよく、よく校正された数学的目的を最適化する解法に依存する。
近年のアプローチでは、好み記述から新たな報酬関数を生成するために、大規模言語モデルを用いてこの問題に対処している。
我々は、人間のフィードバックを適応的に取り入れつつ、確立された最適化目標を保存する言語誘導報酬形成フレームワークである textttVORTEX を提案する。
論文 参考訳（メタデータ） (2025-09-19T20:22:13Z) - OptimAI: Optimization from Natural Language Using LLM-Powered AI Agents [8.441638148384389]
自然言語で記述された最適化問題を解くためのフレームワークであるOptimAIを紹介する。
私たちのフレームワークは、フォーミュラ、プランナー、コーダ、コード批判といった重要な役割の上に構築されています。
提案手法では,NLP4LPデータセットで88.1%,Optibenchデータセットで82.3%,エラー率で58%,エラー率で52%の精度を実現した。
論文 参考訳（メタデータ） (2025-04-23T17:45:05Z) - LLM Program Optimization via Retrieval Augmented Search [71.40092732256252]
提案手法は,提案手法によって最適化されたビーム探索を行う検索アルゴリズムであるRetrieval Augmented Search (RAS) である。
我々は、RASが従来の最先端のブラックボックス適応戦略よりも1.8$times$パフォーマンスが高いことを示す。
また、トレーニング例を「アトミックな編集」に分解することで、解釈可能性を向上させるAEGISと呼ばれる手法を提案する。
論文 参考訳（メタデータ） (2025-01-31T06:34:47Z) - Large Language Models as Optimizers [106.52386531624532]
本稿では,大規模言語モデル (LLM) をプロンプトとして活用するためのシンプルで効果的な手法である Prompting (OPRO) を提案する。
各最適化ステップにおいて、LLMは、前述した値を含むプロンプトから新しい解を生成する。
OPROにより最適化された最良のプロンプトは、GSM8Kで最大8%、Big-Bench Hardタスクで最大50%向上することを示した。
論文 参考訳（メタデータ） (2023-09-07T00:07:15Z) - Learning Performance-Improving Code Edits [107.21538852090208]
本稿では,大規模言語モデル(LLM)を高レベルプログラム最適化に適用するためのフレームワークを提案する。
まず、競争力のある77,000以上のC++プログラミングサブミッションペアによる、人間のプログラマによるパフォーマンス改善編集のデータセットをキュレートする。
提案手法は,検索をベースとした少数ショットプロンプトとチェーン・オブ・シンクレットを提案し,その微調整には,自己再生に基づく性能条件付き生成と合成データ拡張が含まれる。
論文 参考訳（メタデータ） (2023-02-15T18:59:21Z)
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。