論文の概要: SemOPT: Fixing Semantic Errors in LLM-based Optimization Modeling via Reward-Guided Search

• arxiv url: http://arxiv.org/abs/2609.37361v1
• Date: Tue, 29 Sep 2026 12:22:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.479215
• Title: SemOPT: Fixing Semantic Errors in LLM-based Optimization Modeling via Reward-Guided Search
• Title（参考訳）: SemOPT:Reward-Guided SearchによるLLM最適化モデルにおけるセマンティックエラーの修正
• Abstract要約: 本稿では,最適化モデルを修正するためのセマンティックガイダンスフレームワークであるSemOPTを紹介する。 本研究では,SemOPTが複雑なデータセット上で最強のベースラインに対して平均7.6%の精度向上を実現していることを示す。
• 参考スコア（独自算出の注目度）: 16.537467263017792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Operations research supports decision-making in domains such as energy, economics, and healthcare. Solving operations research problems typically begins with optimization modeling, which translates a natural-language problem description into executable solver code. LLMs offer a promising way to automate this process, but they remain prone to errors. In practice, these errors can be divided into two categories: syntactic errors refer to solver code that fails to run successfully or is judged infeasible by the solver; semantic errors refer to solver code that successfully returns an objective value but violates the intent of the original problem. Since semantic errors do not trigger runtime failures, they are difficult to detect and rectify. To address this problem, we introduce SemOPT, a semantic-guided framework for correcting LLM-based optimization models. SemOPT combines a semantic reward model that distinguishes faithful math models from plausible but incorrect ones with an adaptive correction system that applies hierarchical reward-guided search over the modeling space. Experiments on seven optimization modeling benchmarks show that SemOPT establishes a new state of the art and achieves an average 7.6% accuracy improvement over the strongest baseline on complex datasets.
• Abstract（参考訳）: 運用研究はエネルギー、経済、医療といった分野における意思決定を支援する。 オペレーション研究問題の解決は、通常、最適化モデリングから始まり、自然言語による問題記述を実行可能なソルバコードに変換する。 LLMはこのプロセスを自動化するための有望な方法を提供するが、エラーを起こしやすい。 実際には、これらのエラーは2つのカテゴリに分けられる: 構文的エラーは、正常に実行できない、あるいは解決者によって実行不可能と判断されるソルバコードを指す; 意味的エラーは、客観的な値を返すのに成功するが、元の問題の意図に反するソルバコードを指す。 セマンティックエラーは実行時の障害を引き起こしないため、検出と修正は困難である。 そこで本研究では,LLMに基づく最適化モデルを修正するためのセマンティックガイダンスフレームワークであるSemOPTを紹介する。 SemOPTは、忠実な数学モデルと妥当だが不正確な数学モデルとを区別する意味報酬モデルと、階層的な報酬誘導探索をモデル空間上で適用する適応補正システムを組み合わせる。 7つの最適化モデルベンチマークの実験は、SemOPTが新しい最先端技術を確立し、複雑なデータセット上で最強のベースラインに対して平均7.6%の精度向上を実現していることを示している。

関連論文リスト

• Opt-Verifier: Unleashing the Power of LLMs for Optimization Modeling via Dual-Side Verification [53.763212981479455]
  本稿では、構造と解の両方の観点から、デュアルサイド検証(Opt-Verifier)を用いた新しいフレームワークを提案する。 一般的なベンチマーク実験により、我々の手法は精度が20%以上向上していることが示された。
  論文  参考訳（メタデータ） (2026-05-28T08:09:52Z)
• Execution-Verified Reinforcement Learning for Optimization Modeling [49.171122807323634]
  実行検証学習フレームワークは、数学的プログラミング解法を決定論的で対話的な検証器として扱う。 NL4OPT, MAMO, IndustryOR, OptiBenchをグロビ, OR-Tools, COPTで行った実験では, EVOMがプロセス管理SFTに適合または優れていた。
  論文  参考訳（メタデータ） (2026-04-01T03:39:11Z)
• MIRROR: A Multi-Agent Framework with Iterative Adaptive Revision and Hierarchical Retrieval for Optimization Modeling in Operations Research [15.28095645151852]
  MIRRORは、操作研究のための微調整のないエンドツーエンドのマルチエージェントフレームワークである。 自然言語の最適化問題を数学的モデルや解法コードに変換する。 実験により、MIRRORは標準的なOperations Researchベンチマークの既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-03T09:46:56Z)
• Optimization Modeling via Semantic Anchored Alignment [30.047608671041104]
  SAC-Optは,問題セマンティクスにおいて,解答フィードバックではなく最適化モデルに基づく後方誘導補正フレームワークである。 各ステップで、SAC-Optは元のセマンティックアンカーと生成されたコードから再構成されたアンカーを調整し、ミスマッチしたコンポーネントのみを選択的に修正する。 7つの公開データセットに関する実証的な結果は、SAC-Optが平均モデリング精度を7.8%改善し、ComplexLPデータセットで最大21.9%向上したことを示している。
  論文  参考訳（メタデータ） (2025-09-28T12:25:31Z)
• LEMMA: Learning from Errors for MatheMatical Advancement in LLMs [33.571479131705075]
  我々は,大規模言語モデルの推論能力を高めるために,数学的発展のための誤りからの学習(LEMMA)を導入する。 LEMMAは、誤ったステップの間違った解と、微調整のための正しい解への反射接続からなるデータを構成する。 実験結果から, LEMMAは他の強力なベースラインよりも高い性能向上が得られた。
  論文  参考訳（メタデータ） (2025-03-21T17:59:10Z)
• Subtle Errors in Reasoning: Preference Learning via Error-injected Self-editing [59.405145971637204]
  eRror-Injected Self-Editing (RISE) と呼ばれる新しい好み学習フレームワークを提案する。 RISEは、事前定義された微妙なエラーをピボットトークンに注入する。 RISEの有効性を検証する実験では、Qwen2-7B-Instructでの優先学習により、GSM8Kでは3.0%、MATHでは7.9%が顕著に改善され、トレーニングサンプルは4.5Kに留まった。
  論文  参考訳（メタデータ） (2024-10-09T07:43:38Z)
• Self-Exploring Language Models: Active Preference Elicitation for Online Alignment [88.56809269990625]
  本研究では, 分布域外領域を積極的に探索するために, 潜在的に高次応答に対して楽観的に偏りを呈する2段階的客観性を提案する。 実験の結果,Zephyr-7B-SFTとLlama-3-8B-Instructモデルで微調整した場合,SELM(Self-Exploring Language Models)は命令追従ベンチマークの性能を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2024-05-29T17:59:07Z)

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。