論文の概要: Autoresearch in Mixed-Integer Linear and Nonlinear Programming

• arxiv url: http://arxiv.org/abs/2609.39360v2
• Date: Thu, 01 Oct 2026 21:03:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:29.961971
• Title: Autoresearch in Mixed-Integer Linear and Nonlinear Programming
• Title（参考訳）: 混合整数線形および非線形計画法におけるオートリサーチ
• Abstract要約: 本稿では,混合整数プログラミングにおける長期自動検索の組織化のための再利用可能なエージェントであるAutoMIPを紹介する。 AutoMIPは、アルゴリズムツリーに実行可能な実験をまとめながら、補完的な候補のアイデアの永続的なプールを維持している。 MILPおよびMINLPベンチマークコホートにおいて、AutoMIPは評価された自動検索フレームワークの中で最も最終成功率が高い。
• 参考スコア（独自算出の注目度）: 49.52231033794175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite recent progress in autoresearch, applying it to practical operations research problems, typically formulated as NP-hard mixed-integer linear or nonlinear programs (MILPs or MINLPs), remains challenging because effective research requires systematically managing competing ideas and long-horizon experimental trajectories. We introduce AutoMIP, a reusable agent skill for organizing long-horizon autoresearch in mixed-integer programming through idea pooling and algorithm tree search. AutoMIP maintains a persistent pool of complementary candidate ideas while organizing executable experiments into an algorithm tree, enabling the agent to preserve unexplored hypotheses, refine promising algorithms, and switch to alternative methodological directions based on historical states. On MILP and MINLP benchmark cohorts, AutoMIP achieves the highest final success rates among the evaluated autoresearch frameworks. On MIPLib, AutoMIP discovers new best solutions for 31 of 60 instances, surpassing existing autoresearch frameworks. On MINLPLib, it achieves new best solutions for 52 of 60 instances. Ablation studies further demonstrate the complementary contributions of idea pooling and algorithm tree search, highlighting the importance of jointly maintaining diverse research ideas and structured experimental trajectories for long-horizon autoresearch.
• Abstract（参考訳）: 近年のオートリリサーチの進展にもかかわらず、NP-hard mixed-integer linear or linear program (MILPs) あるいはMINLPs (MINLPs) として定式化される実用的な運用研究問題に適用することは困難であり、効果的な研究には、競合するアイデアや長い水平な実験軌道を体系的に管理する必要がある。 我々は、アイデアプーリングとアルゴリズムツリー探索を通じて、混合整数プログラミングにおける長距離オート検索を組織化する再利用可能なエージェントスキルであるAutoMIPを紹介する。 AutoMIPは、実行可能実験をアルゴリズムツリーにまとめながら、補完的な候補のアイデアのプールを維持しており、エージェントは探索されていない仮説を保存し、有望なアルゴリズムを洗練し、歴史的状態に基づいて代替の方法論の方向性に切り替えることができる。 MILPおよびMINLPベンチマークコホートにおいて、AutoMIPは評価された自動検索フレームワークの中で最も最終成功率が高い。 MIPLibでは、AutoMIPが31の60インスタンスで新しいベストソリューションを発見し、既存の自動検索フレームワークを上回っている。 MINLPLibでは、60インスタンス中52インスタンスに対して、新たなベストソリューションを実現している。 アブレーション研究は、アイデアプーリングとアルゴリズム木探索の補完的な貢献をさらに示し、多様な研究アイデアと長期自動検索のための構造化された実験軌道を共同で維持することの重要性を強調している。

関連論文リスト

• Recovering Wasted Compute in Autoresearch Agents [35.718169903054736]
  自動検索システムのコアにおけるモデリングパイプラインについて検討し、一般的な障害モードを同定する。 自動検索エージェントの性能向上は,エージェント設計だけで達成できることが判明した。
  論文  参考訳（メタデータ） (2026-08-11T03:15:08Z)
• Early Discoveries of Algorithmist I: Promise of Provable Algorithm Synthesis at Scale [9.349595533902479]
  Algorithmistは、GitHub Copilot上の自律的な研究者エージェントである。 プライベートデータ分析およびクラスタリングにおける研究レベルのタスクについて評価する。 結果は,LLMシステムが各データセットやデプロイメント設定に合わせて,研究論文品質のアルゴリズムアーティファクトを生成する新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-03-23T04:06:55Z)
• SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
  SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。 実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。 回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
  論文  参考訳（メタデータ） (2025-11-29T09:18:39Z)
• Reinforcement Fine-Tuning for Reasoning towards Multi-Step Multi-Source Search in Large Language Models [7.719379471690927]
  Reasoning-Search (R-Search)は、マルチステップ計画、複数ソース検索の実行、回答合成を統一するシングルLLM検索フレームワークである。 R-Searchは、検索プロセスを導く推論ステップを含む、明示的に定義された4つのコンポーネントに出力を構造化する。
  論文  参考訳（メタデータ） (2025-06-10T02:09:57Z)
• Enhancing LLM Reasoning with Reward-guided Tree Search [95.06503095273395]
  o1のような推論アプローチは困難で、研究者はこのオープンな研究領域を前進させようとさまざまな試みを行ってきた。 本稿では,報酬誘導木探索アルゴリズムを用いて,LLMの推論能力を高めるための予備的な検討を行う。
  論文  参考訳（メタデータ） (2024-11-18T16:15:17Z)
• LiteSearch: Efficacious Tree Search for LLM [70.29796112457662]
  本研究では,動的ノード選択とノードレベルの探索予算を備えた新しいガイド付き木探索アルゴリズムを提案する。 GSM8KおよびTabMWPデータセットを用いて行った実験により,本手法はベースライン法に比べて計算コストが大幅に低いことを示した。
  論文  参考訳（メタデータ） (2024-06-29T05:14:04Z)
• Reinforcement Learning for Branch-and-Bound Optimisation using Retrospective Trajectories [72.15369769265398]
  機械学習は分岐のための有望なパラダイムとして登場した。 分岐のための単純かつ効果的なRLアプローチであるレトロ分岐を提案する。 我々は現在最先端のRL分岐アルゴリズムを3～5倍に上回り、500の制約と1000の変数を持つMILP上での最高のILメソッドの性能の20%以内である。
  論文  参考訳（メタデータ） (2022-05-28T06:08:07Z)

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。