論文の概要: OptiCom : A Unified Framework for State-Conditioned Composition in LLM-Driven Optimization

• arxiv url: http://arxiv.org/abs/2609.37221v1
• Date: Tue, 29 Sep 2026 10:38:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.423869
• Title: OptiCom : A Unified Framework for State-Conditioned Composition in LLM-Driven Optimization
• Title（参考訳）: OptiCom : LLM駆動最適化におけるステートコンディション構成のための統一フレームワーク
• Abstract要約: 大規模言語モデル(LLM)は、反復最適化によって複雑な科学的および実践的な問題を解決するために、ますます多くデプロイされている。 共有構成空間内でLLM駆動を表現する統一フレームワークOptiComを提案する。 評価された14の構成のうち,OptiComの平均マックススコアランクは1.72であり,23グループでトップスコアを確保できた。
• 参考スコア（独自算出の注目度）: 20.74075348236263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are increasingly deployed to solve complex scientific and practical problems via iterative optimization. However, dynamically coordinating diverse search mechanisms as candidate quality, failure modes, and resource budgets evolve remains a critical open challenge. Targeted empirical diagnostics reveal that mechanism effectiveness is highly state-dependent. Motivated by this, we analyze how individual decisions drive final outcomes, decomposing the expected terminal improvement under a shared budget into cumulative decision opportunities minus cumulative selection losses. Guided by this opportunity-loss theoretical foundation, we propose OptiCom, a unified framework that represents LLM-driven optimizers within a shared configuration space: C=(A,Q,O,E,M,S), corresponding to artifact, query, operator, evaluation, memory, and strategy. Operating within this space, a fast LLM-based Optimization Controller dynamically composes immediate mechanisms through structured Action Packages, while a slower Strategy Adapter refines long-term selection preferences, operator weights, and templates based on accumulated trajectory feedback. Comprehensive evaluations across 32 benchmark groups demonstrate the superiority of framework: OptiCom achieves an average Max-score rank of 1.72 among 14 evaluated configurations, securing the top score in 23 groups. Ultimately, these results highlight the broad applicability and high extensibility of OptiCom as a general-purpose paradigm for robust LLM test-time scaling.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、反復最適化によって複雑な科学的および実践的な問題を解決するために、ますます多くデプロイされている。 しかし、様々な検索メカニズムを候補品質、障害モード、リソース予算として動的に調整することは、依然として重要な課題である。 標的とした経験的診断は、メカニズムの有効性が極めて状態に依存していることを明らかにする。 そこで我々は,個別の意思決定が最終結果にどう影響するかを分析し,共通予算の下で期待される端末改善を累積的な決定機会に分解し,累積的な選択損失を減らした。 提案するOptiComは,LLMを駆動するオプティマイザを,C=(A,Q,O,E,M,S)で表現し,アーティファクト,クエリ,演算子,評価,メモリ,ストラテジーに対応する統一的なフレームワークである。 高速なLCMベースの最適化コントローラは、構造化されたアクションパッケージを通じて動的に即時メカニズムを構成し、遅い戦略アダプタは、蓄積された軌道フィードバックに基づいて、長期選択の好み、演算子重み、テンプレートを洗練する。 OptiComは、評価された14の構成の中で平均1.72のマックススコアランクを獲得し、23のグループでトップスコアを確保します。 最終的に、これらの結果は、堅牢なLLMテストタイムスケーリングのための汎用パラダイムとしてOptiComの幅広い適用性と高い拡張性を強調している。

関連論文リスト

• LLMDE: A Large Language Model-Driven Differential Evolution Algorithm for Portfolio Optimization [23.197379864220295]
  本研究では,手作りハイパーパラメータ設計への依存を減らすために,Large Language Model-Driven Differential Evolution (LLMDE)アルゴリズムを提案する。 CEC2022ベンチマークスイート上でのLLMDEの性能評価を行い,標準Dと代表メタヒューリスティックスとの比較を行った。 実験結果から,LLMDEは,高品質なソリューションを連続的に生成しながら,ベンチマークスイート上での競合性能を実現することが示された。
  論文  参考訳（メタデータ） (2026-09-15T08:39:44Z)
• 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)
• Multi-Objective Hierarchical Optimization with Large Language Models [41.41567058185742]
  大規模言語モデル(LLM)は、多目的最適化を推進するための既定の選択肢ではない。 本稿では,このギャップを,構造化階層型探索戦略内での代理モデルと候補サンプルとしてLLMを活用することで解決する。
  論文  参考訳（メタデータ） (2026-01-20T12:10:13Z)
• A Survey on the Optimization of Large Language Model-based Agents [16.733092886211097]
  大規模言語モデル(LLM)は様々な分野で広く採用されており、自律的な意思決定や対話的なタスクに欠かせないものとなっている。 しかしながら、現在の作業は通常、バニラLLMに適用された迅速な設計や微調整戦略に依存している。 LLMに基づくエージェント最適化手法の総合的なレビューを行い、パラメータ駆動型およびパラメータフリーな手法に分類する。
  論文  参考訳（メタデータ） (2025-03-16T10:09:10Z)
• LLaMA-Berry: Pairwise Optimization for O1-like Olympiad-Level Mathematical Reasoning [56.273799410256075]
  このフレームワークはMonte Carlo Tree Search (MCTS)と反復的なSelf-Refineを組み合わせて推論パスを最適化する。 このフレームワークは、一般的なベンチマークと高度なベンチマークでテストされており、探索効率と問題解決能力の点で優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-03T18:12:29Z)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)

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。