論文の概要: TACIT: Optimization Models that Learn from Their Mistakes

• arxiv url: http://arxiv.org/abs/2609.38434v1
• Date: Tue, 29 Sep 2026 19:26:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.654491
• Title: TACIT: Optimization Models that Learn from Their Mistakes
• Title（参考訳）: TACIT: ミスから学ぶ最適化モデル
• Abstract要約: 多くの目的や制約はドメインの専門家の知識に存在し、形式化が難しい。 歴史的データを用いて不特定な定式化を自動的に修復することで,この問題に対処する。 我々はTACITが78.9%を修復できることを示した(最良ベースラインは60.5%)。
• 参考スコア（独自算出の注目度）: 11.230773055955057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world optimization problems are difficult to model accurately because many objectives and constraints reside in domain experts' tacit knowledge, making them hard to formalize. As a result, optimization models often contain miscalibrated objectives, missing constraints, or omitted decision variables, leading to solutions that fail to reflect operational realities. We address this challenge by automatically repairing misspecified formulations using historical data consisting of past solutions and subsequent user overrides. Traditional approaches such as inverse optimization and constraint learning tend to overfit sparse data and produce complex formulations. Our central idea is to combine the reasoning capabilities and prior knowledge of LLMs with the formal grounding provided by optimization. We realize this idea through two complementary paradigms. Top-down, an LLM proposes structural repairs, including new constraints and variables, whose numerical parameters are calibrated and validated through optimization. Bottom-up, optimization infers cuts from observed decisions, which the LLM contextualizes into interpretable, generalizable modeling constraints. We evaluate our approach on 38 misspecification scenarios spanning nine classes of optimization problems, several drawn from real-world applications, and show that TACIT can repair 78.9% of them (vs. 60.5% for the best baseline).
• Abstract（参考訳）: 現実の最適化問題は、多くの目的や制約がドメインの専門家の暗黙の知識にあるため、正確にモデル化することは困難である。 その結果、最適化モデルは、しばしば誤解された目的、制約の欠如、あるいは省略された決定変数を含んでおり、運用上の現実を反映できないソリューションにつながります。 過去のソリューションとその後のユーザオーバライドからなる履歴データを用いて、不特定な定式化を自動的に修復することで、この問題に対処する。 逆最適化や制約学習といった従来の手法はスパースデータを過度に最適化し、複雑な定式化を生成する傾向にある。 我々の中心となる考え方は、LLMの推論能力と事前知識と最適化によって提供される形式的基盤を組み合わせることである。 我々はこの考えを2つの相補的パラダイムを通して実現した。 トップダウンでは、LLMが新しい制約や変数を含む構造的修復を提案し、その数値パラメータは最適化によって校正され、検証される。 ボトムアップ、最適化は、LLMが解釈可能で一般化可能なモデリング制約にコンテキスト化する観察された決定からカットを推測する。 我々は,9種類の最適化問題にまたがる38種類の不特定シナリオに対するアプローチを評価し,TACITが78.9%(最良ベースラインは60.5%)を修復可能であることを示した。

関連論文リスト

• Decision-Driven Regularization: A Blended Model for Learning and Optimization [1.4055982190455338]
  学習と最適化のアプローチについて検討し、まず特徴から結果がどう影響するかを学習し、次にこれらの結果に基づいて最適な決定を選択する。 本稿では, 予測精度とコスト最小化のバランスを保ち, 決定駆動正規化(Deciciment-driven regularization)と呼ばれる二目的定式化を提案する。
  論文  参考訳（メタデータ） (2026-08-15T08:49:33Z)
• 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)
• 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)
• CALM Before the STORM: Unlocking Native Reasoning for Optimization Modeling [60.55856973678002]
  大規模推論モデル (LRM) は、複雑な多段階推論において強力な機能を示した。 既存のドメイン適応手法は、元々は命令調整モデル用に設計されていたが、現代のLEMの高度な推論パターンをうまく利用できなかった。 我々は、最適化モデリングタスクのためのネイティブ推論モード内でのLEMを段階的に洗練するフレームワークである textbfCALM を提案する。
  論文  参考訳（メタデータ） (2025-10-05T13:38:31Z)
• Automated Optimization Modeling through Expert-Guided Large Language Model Reasoning [43.63419208391747]
  本稿では,最適化プロセスを自動化するチェーン・オブ・シント推論を通じて,専門家レベルの最適化モデリングの原則を活用する新しいフレームワークを提案する。 また、ロジスティクス領域からの新しい最適化モデリングベンチマークであるLogiORを導入し、標準化されたアノテーションに関するより複雑な問題を含む。
  論文  参考訳（メタデータ） (2025-08-20T04:14:54Z)
• Autoformulation of Mathematical Optimization Models Using LLMs [50.030647274271516]
  本稿では,自然言語問題記述から解法対応最適化モデルを自動生成する,$textitautoformulation$の問題にアプローチする。 オートフォーミュレーションの3つの主要な課題を識別する: $textit(1)$ 巨大で問題に依存した仮説空間、および$textit(2)$ 不確実性の下でこの空間を効率的かつ多様に探索する。 我々は,$textitLarge Language Models$と$textitMonte-Carlo Tree Search$を併用した新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-03T20:41:38Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。