論文の概要: Reachable Global Optimization in AI Systems: How Global Is Global?

• arxiv url: http://arxiv.org/abs/2609.27855v1
• Date: Thu, 20 Aug 2026 03:29:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.993981
• Title: Reachable Global Optimization in AI Systems: How Global Is Global?
• Title（参考訳）: AIシステムにおける到達可能なグローバル最適化 - グローバルとは何か?
• Abstract要約: 本稿では、ジェネレータ、検証器、コントローラ、メモリ、ツール、予算が到達可能な候補領域を誘導するモデルであるReachability-induced Optimization(RIO)を紹介する。 到達可能な最適性、偽グローバル性、ギャップ分解、証明書、エスケープ、プルーニング、制御値の結果を証明します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI systems increasingly claim to optimize prompts, policies, architectures, plans, tool-use trajectories, reasoning traces, and test-time computation. This paper argues that such claims are underspecified unless they state the region actually reachable by the system that performed the optimization. We introduce Reachability-Induced Optimization (RIO), a model in which a generator, verifier, controller, memory, tools, and budget induce a reachable candidate region. The returned solution is therefore a best visited point, an approximate reachable optimum, or an exact global optimum only when additional certificates relate the reachable region to the full formal space. We prove reachable-optimality, false-globality, gap- decomposition, certificate, escape, pruning, and control-value results. The full benchmark record contains 66,150 executed trials over six known-optimum landscape families, seven control policies, 270 landscapes, and 35 runs per landscape-method. The online appendix includes raw trial records, aggregate tables, figures, benchmark code, validation scripts, and checksums. The results show that control can restrict, expand, or misdirect reachability, and that optimization quality, reachability quality, and control reliability must be reported separately.
• Abstract（参考訳）: AIシステムは、プロンプト、ポリシー、アーキテクチャ、計画、ツール使用軌跡、推論トレース、テストタイム計算を最適化すると主張している。 本稿では,最適化を行うシステムによって実際に到達可能な領域を記載しない限り,そのような主張は不明確である,と論じる。 本稿では、ジェネレータ、検証器、コントローラ、メモリ、ツール、予算が到達可能な候補領域を誘導するモデルであるReachability-induced Optimization(RIO)を紹介する。 したがって、返却された解は、到達可能な領域を完全形式空間に関連付ける場合にのみ、最良の訪問点、近似到達可能な最適点、または正確な大域的最適点となる。 到達可能な最適性、偽グローバル性、ギャップ分解、証明書、エスケープ、プルーニング、制御値の結果を証明します。 ベンチマークの完全な記録には、6つの既知の最適ランドスケープファミリーに対する66,150の試行、コントロールポリシ7、ランドスケープ270、ランドスケープメソッドあたり35のランニングが含まれている。 オンライン付録には、生のトライアルレコード、集計テーブル、フィギュア、ベンチマークコード、検証スクリプト、チェックサムが含まれている。 その結果、制御は到達可能性を制限するか、拡張するか、または誤指示し、最適化品質、到達性の品質、制御信頼性を別々に報告する必要があることが示された。

関連論文リスト

• AlgoWorlds: Benchmarking Tool Use for Global Optimization in Algorithmic Worlds [58.529749203758634]
  ツール使用ベンチマークは一般的に、適切なツールと有効な引数を使用して、エージェントがワークフローを完了するかどうかを評価する。 アルゴワールドス(AlgoWorlds)は、公式に指定された最適化問題を部分的に観察された決定環境に変換するベンチマークである。 AlgoWorldsには、10の最適化ファミリーと4つのワークロードレベルをカバーする240の環境が含まれている。
  論文  参考訳（メタデータ） (2026-08-29T18:37:41Z)
• OptiLoop: Coordination-in-the-Loop Verification and Repair for LLM-Generated Optimization Agents [0.9543827270223156]
  分散された決定問題は、複数の当事者が共有された決定を調整する必要がある。 大規模言語モデル(LLM)は、ローカル最適化エージェントを生成することで参加障壁を低くする有望な方法を提供する。 LLM生成最適化エージェントのコーディネーション・イン・ザ・ループ検証と修復を提案する。
  論文  参考訳（メタデータ） (2026-05-26T19:49:41Z)
• ConstraintBench: Benchmarking LLM Constraint Reasoning on Direct Optimization [0.0]
  ConstraintBenchは、直接制約付き最適化において、大きな言語モデルを評価するためのベンチマークである。 200のタスクで6つのフロンティアモデルを評価し、最適性ではなく実現可能性が主要なボトルネックであることを確認した。 解法基準の0.1%の範囲内で、結合実現可能性と最適性について30.5%を超えるモデルはない。
  論文  参考訳（メタデータ） (2026-02-25T22:54:26Z)
• Test-time Verification via Optimal Transport: Coverage, ROC, & Sub-optimality [53.03186946689658]
  検証によるテストタイムのスケーリングは、大規模言語モデルのパフォーマンス向上を約束している。 検証の効果は、(i)ジェネレータのカバレッジ、(ii)検証器の収束領域(ROC)、(iii)サンプリングアルゴリズムの準最適性の3つの相互作用を通して現れる。 本稿では,輸送問題として検証可能なテストタイムスケーリングの枠組みを定め,カバレッジ,ROC,サブ最適性の相互作用を特徴付ける。
  論文  参考訳（メタデータ） (2025-10-21T18:05:42Z)
• Optimas: Optimizing Compound AI Systems with Globally Aligned Local Rewards [98.0983122471875]
  複合システムの効率的な最適化のための統一的なフレームワークであるOptimasを提案する。 各イテレーションにおいて、Optimasはローカルリワード関数(LRF)を効率よく適用し、各コンポーネントのローカル報酬を最大化しながら、この特性を維持する。 我々は,5つの実世界の化合物システムに対して広範な評価を行い,オプティマスが11.92%の平均的な改善によって強いベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2025-07-03T07:12:48Z)
• High-dimensional Bayesian Optimization via Covariance Matrix Adaptation Strategy [16.521207412129833]
  本稿では,CMA(Covariance Matrix Adaptation)戦略を用いて局所領域を定義する手法を提案する。 この探索分布に基づいて,大域的最適である確率の高いデータポイントからなる局所領域を定義する。 提案手法は,BO,TuRBO,BAxUSなどの既存のブラックボックスBOを組み込んでグローバルな最適解を求めるメタアルゴリズムとして機能する。
  論文  参考訳（メタデータ） (2024-02-05T15:32:10Z)
• Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
  本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。 本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。 組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
  論文  参考訳（メタデータ） (2022-01-26T14:58:51Z)

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。