論文の概要: LLMs as Adaptive Meta-Solvers: Strategy-Diverse RL for Industrial-Scale Optimization

• arxiv url: http://arxiv.org/abs/2609.34427v1
• Date: Mon, 28 Sep 2026 06:43:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 20:48:54.528019
• Title: LLMs as Adaptive Meta-Solvers: Strategy-Diverse RL for Industrial-Scale Optimization
• Title（参考訳）: 適応型メタソルバーとしてのLCM:産業規模最適化のための戦略逆RL
• Abstract要約: 我々は,実世界の産業規模の最適化に取り組むために,オープンソースのLLMを訓練するためのフレームワークを提案する。 まず,ソルバ統合推論,厳密なアルゴリズム,探索処理が,異なる問題構造とスケールの相補的な強みを示すことを示す。 次に,LLMを適応最適化メタソリューションとして訓練するSDRL(Strategy-Diverse Reinforcement Learning)を導入する。
• 参考スコア（独自算出の注目度）: 17.54836402981176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scaling LLM-based optimization from textbook-scale instances to real-world, industrial tasks remains a critical open challenge. Existing approaches are predominantly evaluated on small, self-contained textual problems and often commit to a solver-integrated paradigm, limiting their ability to handle the scale and structural diversity of practical optimization workloads. In this work, we propose a practical framework for training open-source LLMs to tackle real-world, industrial-scale optimization. We first show empirically that solver-integrated reasoning, exact combinatorial algorithm, and heuristic search exhibit complementary strengths across different problem structures and scales. Motivated by this, we introduce Strategy-Diverse Reinforcement Learning (SDRL), which trains LLMs as adaptive optimization meta-solvers. SDRL leverages this complementarity through a correctness-gated hierarchical diversity reward that promotes robust exploration across varying strategies and within each strategy, effectively preventing premature strategy collapse. We further introduce a mixed-format training scheme that jointly supports both self-contained textual problems and file-grounded instances. Across comprehensive evaluations, our framework outperforms existing fine-tuned methods and frontier models including DeepSeek-V4-Pro and GPT-5.5, both on average across benchmarks and on industrial-scale optimization tasks.
• Abstract（参考訳）: 教科書スケールのインスタンスから実世界の産業タスクへのLLMベースの最適化は、依然として重要なオープン課題である。 既存のアプローチは、主に小さくて自己完結したテキストの問題で評価され、多くの場合、実用最適化ワークロードのスケールと構造的多様性を扱う能力を制限する、ソルバ統合パラダイムにコミットする。 本研究では,実世界の産業規模の最適化に取り組むために,オープンソースのLLMを訓練するための実践的枠組みを提案する。 まず,解解器積分推論,正確な組合せアルゴリズム,ヒューリスティック探索が,異なる問題構造とスケールにまたがる相補的強みを示すことを実証的に示す。 そこで我々は,LLMを適応最適化メタソリューションとして訓練するストラテジー・ディバース強化学習(SDRL)を導入する。 SDRLはこの相補性を利用して、様々な戦略および各戦略における堅牢な探索を促進し、早期戦略崩壊を効果的に防ぐ。 さらに、自己完結したテキスト問題とファイルグラウンドのインスタンスの両方を共同でサポートする混合形式学習スキームを導入する。 総合評価では,DeepSeek-V4-Pro や GPT-5.5 など,既存の細調整手法やフロンティアモデルよりも性能が優れており,ベンチマークや産業規模での最適化作業が平均的に行われている。

関連論文リスト

• 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)
• SMaRT: Select, Mix, and ReinvenT - A Strategy Fusion Framework for LLM-Driven Reasoning and Planning [14.78684546475325]
  大規模言語モデル(LLM)は、例外的な一般化機能を備えた複雑なタスク自動化を再定義した。 パフォーマンスを最大化し、堅牢性を保証するために戦略を融合するフレームワークの必要性を強調している。 我々は、この制約を克服するために設計された革新的な戦略融合アプローチであるSelect, Mix, ReinvenT (SMaRT) フレームワークを紹介します。
  論文  参考訳（メタデータ） (2025-10-20T20:42:24Z)
• A Systematic Survey on Large Language Models for Evolutionary Optimization: From Modeling to Solving [26.501685261132124]
  大規模言語モデル(LLM)は、最適化問題に対処するためにますます研究されている。 急速な進歩にもかかわらず、この分野は依然として統一的な合成と体系的な分類を欠いている。 この調査は、最近の開発を包括的にレビューし、構造化されたフレームワーク内でそれらを整理することで、このギャップに対処する。
  論文  参考訳（メタデータ） (2025-09-10T04:05:54Z)
• Omni-Thinker: Scaling Multi-Task RL in LLMs with Hybrid Reward and Task Scheduling [66.0871543682453]
  我々はOmni-Thinkerについて紹介する。Omni-Thinkerは多種多様なタスクにわたって大きな言語モデルをスケールする統合強化学習フレームワークである。 我々のスケジューラは,BWTに基づいてタスクを順序付けし,マルチタスク性能を向上する。
  論文  参考訳（メタデータ） (2025-07-20T01:50:16Z)
• Collab: Controlled Decoding using Mixture of Agents for LLM Alignment [90.6117569025754]
  人間のフィードバックからの強化学習は、大規模言語モデルを整合させる効果的な手法として現れてきた。 制御された復号化は、再訓練せずに推論時にモデルを整列するメカニズムを提供する。 本稿では,既存の既成のLCMポリシを活用するエージェントベースのデコーディング戦略の混合を提案する。
  論文  参考訳（メタデータ） (2025-03-27T17:34:25Z)
• RLEMMO: Evolutionary Multimodal Optimization Assisted By Deep Reinforcement Learning [8.389454219309837]
  マルチモーダル最適化問題 (MMOP) は, 限られた関数評価において困難となる最適解の探索を必要とする。 本稿では,メタブラックボックス最適化フレームワークであるRLEMMOを提案する。 品質と多様性の両方を促進する新しい報酬メカニズムにより、RLEMMOはポリシー勾配アルゴリズムを用いて効果的に訓練できる。
  論文  参考訳（メタデータ） (2024-04-12T05:02:49Z)
• Meta-Learning with Neural Tangent Kernels [58.06951624702086]
  メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。 このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。 本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
  論文  参考訳（メタデータ） (2021-02-07T20:53:23Z)

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。