論文の概要: FGSS-BO: Feedback-Guided Hypothesis Management for LLM-Based Bayesian Optimization
- arxiv url: http://arxiv.org/abs/2610.21246v1
- Date: Thu, 15 Oct 2026 04:42:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.181871
- Title: FGSS-BO: Feedback-Guided Hypothesis Management for LLM-Based Bayesian Optimization
- Title（参考訳）: FGSS-BO:LLMに基づくベイズ最適化のためのフィードバック誘導仮説管理
- Abstract要約: 大規模言語モデル(LLM)誘導ベイズ最適化(BO)は過去の観測結果を用いて探索を誘導するが、提案された方向と修正は暗黙的に残る。
本稿では,言語に基づく指導と観察された証拠を結びつける構造的仮説管理インタフェースであるフィードバックガイド検索状態(FGSS)を提案する。
- 参考スコア（独自算出の注目度）: 5.359743637040857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model (LLM)-guided Bayesian optimization (BO) uses past observations to guide search, but proposed directions and their revision can remain implicit. We propose Feedback-Guided Search State (FGSS), a structured hypothesis-management interface connecting language-based guidance to observed evidence, executable parameter interventions, and comparative support updates. An LLM reflector proposes and revises hypotheses; a deterministic curator validates them and maintains identities and test records. The evolving state guides candidate construction and priorities. Instantiated on LLAMBO, FGSS-BO retains its surrogate and default expected improvement selection, with a bounded testing policy. On two retrospective protocol/media tasks with nearest-neighbor response oracles, it attains higher sample mean final best and search AUC than the matched LLAMBO baseline and evaluated non-LLM baselines. Prose-reflection and EI-only controls show mixed component effects. Six direct-training hyperparameter-optimization tasks show task-dependent transfer, strongest on diabetes SVM; exact-grid and reaction controls examine other settings. FGSS exposes hypotheses, their execution, and cross-round revisions for inspection while supporting search gains in selected settings.
- Abstract（参考訳）: 大規模言語モデル(LLM)誘導ベイズ最適化(BO)は過去の観測結果を用いて探索を誘導するが、提案された方向と修正は暗黙的に残る。
提案手法は,言語に基づく指示と,観察されたエビデンス,実行可能パラメータの介入,および比較支援更新を接続する構造的仮説管理インタフェースである。
LLMリフレクタは仮説を提案し、修正し、決定論的キュレーターはそれらを検証し、アイデンティティとテスト記録を維持する。
発展途上の州は、候補の建設と優先順位を導いている。
FGSS-BOはLLAMBOを基盤として、サロゲートとデフォルトの期待された改善選択を維持しており、有界なテストポリシーを備えている。
最寄りの応答オラクルを持つ2つの振り返りプロトコル/メディアタスクにおいて、一致したLLAMBOベースラインよりもサンプル平均最良値と検索AUCを達成し、非LLMベースラインを評価した。
プロセ-リフレクションとEIのみの制御は、混合成分効果を示す。
6つの直接訓練されたハイパーパラメータ最適化タスクは、糖尿病SVMに強いタスク依存的移行を示し、正確なグリッドと反応制御は他の設定を検査する。
FGSSは、選択した設定で検索ゲインをサポートしながら、仮説、実行、検査のためのクロスラウンドリビジョンを公開する。
関連論文リスト
- Prior or Feedback? What an LLM Uses When Adapting Neural Operators [0.899394082708711]
本稿では,大規模言語モデル (LLM) が限定的な試行予算の下で微調整構成を選択するニューラル演算子適応の課題について検討する。
LLMはPDEファミリー内およびPDEファミリー間での転送において、ランダム探索やベイズ最適化よりも低いホールドアウトテスト nRMSE を達成する。
LLMの判断レベル動作が与えられたタスクに応答し、結果が観察されることを確立し、タスク依存の先行と、実験的なフィードバックに対する敏感さを組み合わせていることを示す。
論文 参考訳（メタデータ） (2026-10-08T17:06:23Z) - AdaGEPA: Adaptive Feedback Allocation for Reflective Prompt Optimization [9.155646304829263]
本稿では,AdaGEPAを提案する。AdaGEPAは,プロンプトの性能とタスク構造を利用して,次のプロンプトリビジョンの例を選択する適応型フィードバックアロケーション手法である。
本研究は,適応的フィードバックアロケーションの可能性を強調し,反射的プロンプト最適化の有効性とロールアウト予算効率を両立させるものである。
論文 参考訳（メタデータ） (2026-09-30T15:13:40Z) - Evolution-Aware MSA Reasoning for Subsampling via Factor Graphs [55.715754117956514]
複数のシーケンスアライメントは、明示的な進化コンテキストを持つタンパク質言語モデルを提供する。
MSAサブサンプリングは限定的なトークン予算では避けられない。
本稿では,因子グラフ推論を用いて固定予算MSAサブセットを推定するAP-REASONERを提案する。
論文 参考訳（メタデータ） (2026-07-24T13:55:21Z) - RRPO: Reference-Relative Policy Optimization with Stratified Conditional Rollouts [84.20747697259326]
グループ相対政策最適化(GRPO)は、検証可能なフィードバックからの強化学習において大きな効果を示している。
我々は,直接正当性に基づく優位性構築を参照相対的比較に置き換えることでGRPOを一般化するtextbfReference-Relative Policy Optimization (RRPO)を提案する。
我々は,タスクベーストラス検証に頼らずに,ポリシー最適化全体を通じてアンカーベースのコントラスト的優位性を用いてRRPOを評価する。
論文 参考訳（メタデータ） (2026-07-20T19:40:25Z) - DeepBias: Adaptive In-depth Probing of Social Biases in LVLMs [71.85279836937578]
我々は、注意深く設計されたエージェントを用いたLVLMにおける社会バイアスの奥行き探索のための適応的フレームワークDeepBiasを紹介する。
私たちは、私たちのフレームワークを使ってDeepBiasBenchという名のベンチマークを構築します。5つの異なる最先端のLVLMをアンカーとして使用することで、このベンチマークはアーキテクチャ間で共有される脆弱性をキャプチャします。
論文 参考訳（メタデータ） (2026-07-13T08:19:09Z) - Elicitation Matters: How Prompts and Query Protocols Shape LLM Surrogates under Sparse Observations [0.0]
スパース観測により, LLMから抽出した代理的信念について検討した。
我々は、構造的プロンプトが効果的な先行として機能し、POSINTWISEとJOINTクエリは異なる信念を誘導し、シーケンシャルなエビデンスによって非単調で秩序に敏感な信頼度が更新されることを示した。
論文 参考訳（メタデータ） (2026-05-06T11:10:58Z) - HADSF: Aspect Aware Semantic Control for Explainable Recommendation [4.75127493865044]
大規模言語モデル(LLM)の最近の進歩は、推薦システムに対してより効果的な情報抽出を約束している。
本稿では,適応選択によるコンパクトなコーパスレベルのアスペクトボキャブラリを誘導し,構造化アスペクトオピニオン三重項のボキャブラリ誘導,明示的に制約された抽出を行う2段階アプローチを提案する。
1.5B-70Bパラメータにまたがる約300万のレビューに関する実験では、標準評価予測器に統合された場合、HADSFは予測エラーを一貫して減少させる。
論文 参考訳（メタデータ） (2025-10-30T20:49:33Z) - Prompt Optimization via Retrieved Reasoning Assets and Multi-Agent Analysis [5.935239028627343]
スコア・アウェア・プロンプト最適化のためのマルチエージェントフレームワークであるMA-SAPOを紹介する。
従来の手法と比較して、MA-SAPOは、体系的な編集を導く構造的推論と評価結果を明示的に結合する。
評価信号を解釈可能な推論連鎖に変換することで、MA-SAPOはより透明で、監査可能で、制御可能な、迅速な改善を生成する。
論文 参考訳（メタデータ） (2025-10-18T20:21:09Z) - On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。
推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。
本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
論文 参考訳（メタデータ） (2025-04-02T17:40:47Z) - In-context Demonstration Matters: On Prompt Optimization for Pseudo-Supervision Refinement [71.60563181678323]
大規模言語モデル(LLM)は様々なタスクで大きな成功を収めており、生成品質をさらに向上させるためには微調整が必要である場合もある。
これらの課題に対処する直接的な解決策は、教師なしの下流タスクから高信頼のデータを生成することである。
本稿では,プロンプトと全体的な擬似スーパービジョンを両立させる新しい手法,擬似教師付きデモアライメント・アライメント・アライメント・プロンプト・最適化(PAPO)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-04T03:39:28Z)
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。