論文の概要: OptiSkill: A Hierarchical and Evolving SkillBank for LLM-Based Optimization Modeling
- arxiv url: http://arxiv.org/abs/2609.22987v1
- Date: Sat, 19 Sep 2026 12:43:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:03.920845
- Title: OptiSkill: A Hierarchical and Evolving SkillBank for LLM-Based Optimization Modeling
- Title（参考訳）: OptiSkill: LLMに基づく最適化モデリングのための階層的で進化するスキルバンク
- Abstract要約: OptiSkillは、自動オペレーションリサーチ(OR)モデリングのためのスキル拡張フレームワークである。
問題レベルの定式化スケルトンのためのGlobal Strategies、ローカルエラー防止ルールのためのStep Experiencesがある。
実験の結果、OptiSkillはLSMバックボーン全体のフォーミュレーション精度を改善し、強力なエージェントベースラインを上回り、SkillBankのカバレッジと信頼性を拡大することでさらに向上することが示された。
- 参考スコア（独自算出の注目度）: 9.731961312306009
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated operations research (OR) modeling requires LLMs to translate natural-language decision problems into correct mathematical programs. Existing methods can improve individual formulations, but they often solve problems in isolation, retaining little reusable experience and repeating similar formulation errors. Prior memory-based approaches store examples, thoughts, or insights as references, while OR modeling requires reusable formulation skills that transfer across problem narratives and guide concrete modeling decisions. We propose OptiSkill, a skill-augmented framework that builds a hierarchical and evolving SkillBank for LLM-based OR modeling. SkillBank stores solver-verified experience as reusable skills, with Global Strategies for problem-level formulation skeletons and Step Experiences for local error-prevention rules. It is further refined through stable batch-level test-time evolution, where candidate skills are incorporated only after validation. Experiments on eight OR modeling benchmarks show that OptiSkill improves formulation accuracy across LLM backbones, outperforms strong agentic baselines, and gains further by expanding SkillBank coverage and reliability. Code and data are available at https://github.com/rachhhhing/OptiSkill
- Abstract（参考訳）: 自動操作研究(OR)モデリングでは、自然言語による決定問題を正しい数学的プログラムに変換するためにLLMが必要である。
既存の方法は、個々の定式化を改善することができるが、しばしば分離された問題を解決し、再利用可能な経験をほとんど残さず、同様の定式化エラーを繰り返す。
以前のメモリベースのアプローチでは、例、考え、洞察を参照として格納する一方で、ORモデリングでは、問題物語を渡り、具体的なモデリング決定をガイドする再利用可能な定式化スキルが必要である。
LLM OR モデリングのための階層的で進化した SkillBank を構築するためのスキル拡張フレームワークである OptiSkill を提案する。
SkillBankは、問題解決経験を再利用可能なスキルとして、問題レベルの定式化スケルトンのためのGlobal Strategiesと、ローカルエラー防止ルールのためのStep Experiencesを格納している。
さらに、バリデーション後にのみ候補スキルが組み込まれる安定したバッチレベルのテスト時間進化によって改善される。
8つのORモデルベンチマークの実験では、OptiSkillはLSMバックボーン全体のフォーミュレーション精度を改善し、強力なエージェントベースラインを上回り、SkillBankのカバレッジと信頼性を拡大することでさらに向上している。
コードとデータはhttps://github.com/rachhhhing/OptiSkillで公開されている。
関連論文リスト
- From Atomic to Agentic: Towards Interpretable Evaluation of LLMs' Agentic Mathematical Capabilities [103.60384544335072]
大規模言語モデル(LLM)は、エンドツーエンドの数学的推論からエージェントインテリジェンスの統合へと進化している。
本フレームワークは,問題解決エージェントの挙動を,再利用可能な数学的原子能力の構造化された分類法と整合させる。
実験により、同様のエンドツーエンドの精度を持つモデルでは、エージェント能力プロファイルが著しく異なることが判明した。
論文 参考訳（メタデータ） (2026-08-27T10:52:06Z) - 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) - SkillRevise: Improving LLM-Authored Agent Skills via Trace-Conditioned Skill Revision [41.562357872885826]
SkillReviseはエージェントスキルを反復的に洗練するために設計された実行基盤フレームワークである。
SkillReviseは、実行エビデンスからスキル欠陥を診断し、一般的なメモリから関連する修復原則を検索し、実行順に編集を適用する。
単発ベースラインを大幅に上回り、SkillsBenchにおけるベースエージェントの成功率は36.05%から61.63%に向上した。
論文 参考訳（メタデータ） (2026-05-31T10:19:13Z) - LM4Opt-RA: A Multi-Candidate LLM Framework with Structured Ranking for Automating Network Resource Allocation [0.7933039558471408]
我々は,複雑な解析的および数学的推論タスクに,文脈的理解が不要であることに対処する。
既存のベンチマークデータセットは、動的な環境、変数、不均一な制約でそのような問題の複雑さに対処できない。
NL4RAは、LP、ILP、MILPとして定式化された50のリソース割り当て最適化問題からなるキュレートデータセットである。
次に,パラメータ数が異なるオープンソースのLLMの性能評価を行った。
論文 参考訳（メタデータ） (2025-11-13T23:19:43Z) - Large Language Model enabled Mathematical Modeling [2.132096006921049]
本研究では,Large Language Models (LLMs) の自然言語理解とコード生成による定式化ギャップを埋める可能性について検討する。
DeepSeek-R1は、強化学習で訓練された費用効率で高性能なモデルである。
本手法は,基礎的評価,幻覚分類の発達,緩和戦略の適用を含む。
論文 参考訳（メタデータ） (2025-10-22T17:41:42Z) - OptiMind: Teaching LLMs to Think Like Optimization Experts [14.155402554740997]
我々は最適化の専門知識を体系的に統合し、混合整数線形プログラミングの定式化精度を向上させる。
提案手法はまず,クラスベースのエラー解析によってトレーニングデータをクリーン化する。
次に、クラス固有のエラーサマリとソルバフィードバックでLLMを誘導するマルチターン推論戦略を開発する。
論文 参考訳（メタデータ） (2025-09-26T22:23:12Z) - Teaching LLMs According to Their Aptitude: Adaptive Reasoning for Mathematical Problem Solving [55.895917967408586]
大規模な言語モデルによる数学的推論への既存のアプローチは、一般化可能性(英語版)にはChain-of-Thought(英語版)(CoT)、正確な計算にはTool-Integrated Reasoning(英語版)(TIR)に依存している。
本稿では, LLM が自然に推論戦略をパーソナライズできる適応型フレームワークである TATA (Teaching LLMs according their Aptitude) を提案する。
論文 参考訳（メタデータ） (2025-02-17T16:56:23Z) - Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。
実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。
以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
論文 参考訳（メタデータ） (2024-06-19T00:28:58Z)
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。