論文の概要: Multi-Task Evolution for Zero-Shot Cross-Problem Generalization using LLMs

• arxiv url: http://arxiv.org/abs/2610.03316v1
• Date: Fri, 02 Oct 2026 13:53:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.405213
• Title: Multi-Task Evolution for Zero-Shot Cross-Problem Generalization using LLMs
• Title（参考訳）: LLMを用いたゼロショットクロスプロブレム一般化のためのマルチタスク進化
• Abstract要約: ゼロショットクロスプロブレム一般化のためのマルチタスク進化フレームワークMECoを紹介する。 同じ予算下での8つの自動設計(AHD)ベースラインと比較して,MECoが最低平均コストを達成することを示す。
• 参考スコア（独自算出の注目度）: 6.736778302642667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Designing effective heuristics for diverse combinatorial optimization problems requires substantial expertise and repeated search. Large language models (LLMs) automate heuristic generation and refinement, but heuristic search typically depends on evaluation feedback from the problem being optimized. Generalizing to new problem definitions using only source-task feedback therefore remains a central challenge. We introduce MECo, an LLM-driven multi-task evolutionary framework for zero-shot cross-problem generalization. MECo maintains task-conditioned heuristic populations and uses a transfer gap based on cross-task population performance to guide their interactions. These interactions enable the transfer and recombination of heuristics. A complementary selection criterion then constructs a compact heuristic set by rewarding each member's additional coverage of source combinations. The selected set is applied to target problems without further search or adaptation. Experiments on 32 problem variants across vehicle routing (VRP) and flexible job-shop scheduling (FJSP) show that MECo achieves the lowest mean costs compared with eight automated heuristic design (AHD) baselines under the same budgets. On out-of-domain problems, it outperforms the strongest baseline in each family. Moreover, integrating the framework of MECo with different AHD methods improves their ID and OOD performance in both families, supporting its effectiveness across different methods.
• Abstract（参考訳）: 多様な組合せ最適化問題に対する効果的なヒューリスティックを設計するには、かなりの専門知識と繰り返し探索が必要である。 大規模言語モデル(LLM)はヒューリスティック生成と改良を自動化するが、ヒューリスティック検索は一般的に最適化された問題からの評価フィードバックに依存する。 したがって、ソースタスクフィードバックのみを使用して新しい問題定義を一般化することは、依然として中心的な課題である。 ゼロショットクロスプロブレム一般化のためのLLM駆動型マルチタスク進化フレームワークMECoを紹介する。 MECoはタスク条件付きヒューリスティックな人口を維持し、クロスタスクな人口パフォーマンスに基づく転送ギャップを使用してインタラクションをガイドする。 これらの相互作用はヒューリスティックの移動と再結合を可能にする。 相補的な選択基準は、各メンバーのソースの組み合わせに関する追加のカバレッジに報酬を与えることで、コンパクトなヒューリスティックセットを構築する。 選択された集合は、さらなる探索や適応なしにターゲット問題に適用される。 車両ルーティング(VRP)とフレキシブル・ジョブ・ショップ・スケジューリング(FJSP)の32種類の問題に対しての実験を行った結果、MECoは8つの自動ヒューリスティック・デザイン(AHD)ベースラインに対して、同じ予算で最低平均コストを達成していることがわかった。 ドメイン外問題では、各ファミリーで最強のベースラインを上回ります。 さらに、MECoのフレームワークを異なるAHDメソッドに統合することで、両方のファミリーにおけるIDとOODのパフォーマンスが向上し、異なるメソッド間での有効性が向上する。

関連論文リスト

• Solving Few-Shot Multiobjective Multitask Optimization via Iterative Sequential Transfer [28.698139321250906]
  本稿では,マルチタスク最適化問題の解法として反復シーケンス転送(IST)を提案する。 本稿では、転送ユーティリティを最大化するために、確率インフォームドタスク優先順位付け機構を提案する。 ベンチマークおよび実世界の問題に関する実証的な結果から, 厳密な予算の下で提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2026-09-10T08:28:28Z)
• MO-MIX: Multi-Objective Multi-Agent Cooperative Decision-Making With Deep Reinforcement Learning [68.91090643731987]
  深部強化学習(RL)は複雑な意思決定問題を解決するために広く応用されている。 既存のアプローチは、別々のフィールドに限られており、単一の目的でマルチエージェントの意思決定しか処理できない。 マルチオブジェクト型マルチエージェント強化学習(MOMARL)問題の解法としてMO-mixを提案する。
  論文  参考訳（メタデータ） (2026-02-28T16:25:22Z)
• Rethinking LLM-Driven Heuristic Design: Generating Efficient and Specialized Solvers via Dynamics-Aware Optimization [21.449921296295884]
  本研究では,コンバージェンス・アウェア・ヒューリスティックス(DASH, Dynamics-Aware Heuristics)を提案する。 DASHは、さまざまな問題スケールにわたる最先端のベースラインのソリューション品質を越えながら、ランタイム効率を3倍以上改善します。
  論文  参考訳（メタデータ） (2026-01-14T05:06:42Z)
• An Agentic Framework with LLMs for Solving Complex Vehicle Routing Problems [66.60904891478687]
  複雑な車両ルーティング問題を解決するために,LLM (AFL) を用いたエージェントフレームワークを提案する。 AFLは生の入力から知識を直接抽出し、自己完結型コード生成を可能にする。 AFLは、コード信頼性とソリューション実現性の両方において、既存のLCMベースのベースラインを大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2025-10-19T03:59:25Z)
• Experience-Guided Reflective Co-Evolution of Prompts and Heuristics for Automatic Algorithm Design [124.54166764570972]
  組合せ最適化問題は伝統的に手作りのアルゴリズムで取り組まれている。 最近の進歩は、大規模言語モデルによる自動設計の可能性を強調している。 本稿では,自動アルゴリズム設計のためのPmpt and Heuristics (EvoPH) を用いた経験進化的リフレクティブ・ガイドを提案する。
  論文  参考訳（メタデータ） (2025-09-29T09:24:09Z)
• Multi-objective Evolution of Heuristic Using Large Language Model [29.337470185034555]
  探索を多目的最適化問題としてモデル化し、最適性能を超える追加の実践的基準を導入することを検討する。 我々は,最初の多目的探索フレームワークである多目的ヒューリスティック進化(MEoH)を提案する。
  論文  参考訳（メタデータ） (2024-09-25T12:32:41Z)
• Towards Multi-Objective High-Dimensional Feature Selection via Evolutionary Multitasking [63.91518180604101]
  本稿では,高次元特徴選択問題,すなわちMO-FSEMTのための新しいEMTフレームワークを開発する。 タスク固有の知識伝達機構は、各タスクの利点情報を活用するように設計され、高品質なソリューションの発見と効果的な伝達を可能にする。
  論文  参考訳（メタデータ） (2024-01-03T06:34:39Z)
• Pruning Self-attentions into Convolutional Layers in Single Path [89.55361659622305]
  ビジョントランスフォーマー(ViT)は、様々なコンピュータビジョンタスクに対して印象的なパフォーマンスを実現している。 トレーニング済みのViTを効率よく自動圧縮するSPViT(Single-Path Vision Transformer pruning)を提案する。 われわれのSPViTはDeiT-Bで52.0%のFLOPをトリミングできる。
  論文  参考訳（メタデータ） (2021-11-23T11:35:54Z)
• AT-MFCGA: An Adaptive Transfer-guided Multifactorial Cellular Genetic Algorithm for Evolutionary Multitasking [17.120962133525225]
  本稿では,進化的マルチタスク環境を扱うための適応メタヒューリスティックアルゴリズムを提案する。 AT-MFCGAはセルラーオートマトンを利用して、検討中の最適化問題の知識を交換する機構を実装している。
  論文  参考訳（メタデータ） (2020-10-08T12:00:10Z)

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。