論文の概要: AdaEva: Accelerating LLM-Driven Algorithm Design with Adaptive Partial Evaluation

• arxiv url: http://arxiv.org/abs/2610.03896v1
• Date: Fri, 02 Oct 2026 18:10:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:31:12.225745
• Title: AdaEva: Accelerating LLM-Driven Algorithm Design with Adaptive Partial Evaluation
• Title（参考訳）: AdaEva: 適応的部分評価によるLCM駆動アルゴリズム設計の高速化
• Abstract要約: ドロップイン適応型部分評価フレームワークであるAdaEvaを紹介する。 AdaEvaは、同じインスタンスプールのより大きなサブセットの候補を徐々に評価する。 一定の部分評価戦略よりも、候補間で評価の努力を確実にバランスさせる。
• 参考スコア（独自算出の注目度）: 2.748814097142874
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) are increasingly used for automated algorithm design. However the computational cost of evaluating the generated algorithms can be excessive. We consider the common LLM-driven automated algorithm design (LLM4AD) setting in which a candidate algorithm is evaluated by aggregating its performance over a shared set of training instances. This instance-wise structure raises a natural question: must every candidate be evaluated on the entire instance set before deciding whether it remains competitive? Taking inspiration from algorithm configuration, we introduce AdaEva, a drop-in adaptive partial-evaluation framework that progressively evaluates candidates on larger subsets of the same instance pool and eliminates unpromising candidates as evidence accumulates. Importantly, AdaEva leaves the underlying LLM4AD procedure and per-instance evaluator unchanged and requires no prior knowledge about instance difficulty. We instantiate this idea using successive halving (AdaEva-S) and statistical racing (AdaEva-R), and evaluate both mechanisms across three representative LLM4AD frameworks, multiple LLM backbones, and optimization domains spanning combinatorial and continuous black-box optimization. Under matched evaluation budgets, AdaEva more reliably balances evaluation effort across candidates than fixed partial-evaluation strategies, yielding strong search efficiency and anytime performance together with improved held-out generalization across the evaluated settings.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、アルゴリズムの自動設計にますます使われている。 しかし、生成したアルゴリズムを評価するための計算コストは過大である。 本稿では,LLM駆動型自動アルゴリズム設計(LLM4AD)の共通設定について考察する。 すべての候補は、競争力を維持するかどうかを決める前に、インスタンスセット全体において評価されなければならないか? アルゴリズムの構成から着想を得たAdaEvaは、同じインスタンスプールのより大きなサブセットの候補を段階的に評価し、証拠が蓄積されるにつれて未証明の候補を除去する、ドロップイン適応部分評価フレームワークである。 重要なことに、AdaEvaはLLM4ADプロシージャとインスタンスごとの評価器をそのままにして、インスタンスの難易度に関する事前の知識を必要としない。 連続半減算(AdaEva-S)と統計レース(AdaEva-R)を用いてこのアイデアをインスタンス化し、3つの代表的なLCM4ADフレームワーク、複数のLCMバックボーン、組合せと連続ブラックボックス最適化にまたがる最適化領域の2つのメカニズムを評価する。 一致した評価予算の下では、AdaEvaは、固定された部分評価戦略よりも、候補間の評価の労力をより確実にバランスさせ、高い探索効率と任意の時間性能と、評価された設定間の保留一般化を改善した。

関連論文リスト

• Beyond Average Performance: Dynamic Instance Clustering and Specialized Algorithm Design in LLM-Assisted Evolutionary Search [27.981714638078966]
  信頼性の高いアルゴリズムポートフォリオを構築するための特徴のない構造認識機構を備えたLESフレームワークであるDynamic Instance Clustering and Specialized Algorithm Design (DyCA)を提案する。 DyCAは、インスタンスクラスタリングを検索プロセス内で共進化するコンポーネントとして扱い、評価データを特徴のない信号として再利用する。 実験の結果、DyCAは最先端のLESベースラインを上回り、尾の堅牢性は平均15.2%、全体的な性能は7.1%向上した。
  論文  参考訳（メタデータ） (2026-08-04T04:59:48Z)
• Breaking the Computational Barrier: Provably Efficient Actor-Critic for Low-Rank MDPs [53.412166189410904]
  低ランクマルコフ決定過程(MDPs)の下で広く採用されているRLオーラクルの階層を確立するために,教師付き学習を計算プロキシとして利用する。 本研究の目的は,政策評価にのみ依存する新しい楽観的アクター批判アルゴリズムを提案することである。 提案アルゴリズムは,従来の計算コストの高い計画や最適化オーラクルを回避しつつ,既存のサンプル複雑度保証よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-02T04:46:54Z)
• From AI Assistant to AI Scientist: Autonomous Discovery of LLM-RL Algorithms with LLM Agents [51.12380889298618]
  POISEは、言語モデルのためのポリシー最適化アルゴリズムの自動発見のためのフレームワークである。 PoISEは構造化され、属学的にリンクされたアーカイブリンクの提案、実行可能な実装、標準化された評価、自然言語のリフレクションを維持している。
  論文  参考訳（メタデータ） (2026-03-25T05:19:23Z)
• POLCA: Stochastic Generative Optimization with LLM [26.342554900977003]
  局所文脈を用いた優先順位付け最適化(POLCA)を導入する。 POLCAは、最適化におけるパラメータ性を扱うために設計されたスケーラブルなフレームワークである。 我々は,POLCAが頑健,サンプル,時間効率の両立を実証した。
  論文  参考訳（メタデータ） (2026-03-16T03:07:44Z)
• SOCRATES: Simulation Optimization with Correlated Replicas and Adaptive Trajectory Evaluations [25.18297372152296]
  SOCRATESは、調整されたSOアルゴリズムの設計を自動化する新しい2段階のプロシージャである。 実システムのデジタルレプリカのアンサンブルは、ベースラインSOアルゴリズムのセットを評価するテストベッドとして使用される。 LLMはメタ最適化器として機能し、これらのアルゴリズムのパフォーマンストラジェクトリを分析して、最終的なハイブリッド最適化スケジュールを反復的に修正し構成する。
  論文  参考訳（メタデータ） (2025-11-01T19:57:38Z)
• Self-Calibrated Listwise Reranking with Large Language Models [137.6557607279876]
  大規模言語モデル (LLM) はシーケンシャル・ツー・シーケンス・アプローチによってタスクのランク付けに使用されている。 この階調のパラダイムは、より大きな候補集合を反復的に扱うためにスライディングウインドウ戦略を必要とする。 そこで本稿では,LLMを用いた自己校正リストのランク付け手法を提案する。
  論文  参考訳（メタデータ） (2024-11-07T10:31:31Z)
• AIME: AI System Optimization via Multiple LLM Evaluators [79.03422337674664]
  AIME は複数の LLM を利用した評価プロトコルであり、それぞれが独立した基準で評価を生成し、結合を通してそれらを結合する。 コード生成タスクにおける AIME のベースラインメソッドのパフォーマンスは,LeetCodeHard と HumanEval データセットの単一 LLM 評価プロトコルよりも最大 62% 高いエラー検出率,最大 16% 高い成功率で向上している。
  論文  参考訳（メタデータ） (2024-10-04T04:03:24Z)
• A Simple Evolutionary Algorithm for Multi-modal Multi-objective Optimization [0.0]
  マルチモーダル・多目的最適化問題(MMOP)を解くための定常進化アルゴリズムを提案する。 本報告では,1000関数評価の低計算予算を用いて,様々なテストスイートから得られた21個のMMOPの性能について報告する。
  論文  参考訳（メタデータ） (2022-01-18T03:31:11Z)

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。