論文の概要: Self-Guided LLM Reasoning for Error Diagnosis in Vehicle Routing Problems

• arxiv url: http://arxiv.org/abs/2610.21393v1
• Date: Thu, 15 Oct 2026 07:08:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.245103
• Title: Self-Guided LLM Reasoning for Error Diagnosis in Vehicle Routing Problems
• Title（参考訳）: 車両経路問題における誤り診断のための自己ガイドLDM推論
• Abstract要約: 車両ルーティング問題(VRPs)は多くの現実世界のアプリケーションに基本である。 大規模言語モデル(LLM)の最近の進歩は、これらのNPハード問題を解く進歩を加速させている。 本稿では,LLMが自動でコードを生成し,エラー診断を支援する自己誘導推論フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 46.77635869557857
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vehicle Routing Problems (VRPs) are fundamental to many real-world applications. Recent advances in large language models (LLMs) have spurred progress in solving these NP-hard problems. However, most existing approaches assume that input instances are error-free, neglecting the presence of faults commonly encountered in real-world data. In this work, we systematically investigate the capability of LLMs to detect (and correct) errors in VRP instances, and identify key limitations, particularly in handling complex instances or errors that substantially increase the LLM's reasoning burden. To overcome these challenges, we propose a self-guided reasoning framework in which LLMs autonomously generate code that provides structured insights to aid in error diagnosis. Experiments across diverse problem settings and LLMs demonstrate that our framework significantly improves error detection performance, achieving near-perfect accuracy.
• Abstract（参考訳）: 車両ルーティング問題(VRPs)は多くの現実世界のアプリケーションに基本である。 大規模言語モデル(LLM)の最近の進歩は、これらのNPハード問題を解く進歩を加速させている。 しかし、既存のほとんどのアプローチでは、入力インスタンスはエラーのないものであり、現実世界のデータでよく見られる障害の存在を無視していると仮定している。 本研究では,VRP インスタンスにおける LLM の誤りを検知(および修正)する能力について体系的に検討し,特に LLM の推論負担を大幅に増大させる複雑なインスタンスやエラーの処理において重要な制約を特定する。 これらの課題を克服するために,LLMが自動でコードを生成し,エラー診断に役立つ構造化された洞察を提供する自己誘導推論フレームワークを提案する。 多様な問題設定とLLMによる実験により、我々のフレームワークはエラー検出性能を大幅に改善し、ほぼ完全な精度を実現している。

関連論文リスト

• Not All Errors Are Equal: A Systematic Study of Error Propagation in Large Language Model Inference [3.160702454918557]
  本稿では,大規模な言語モデル (LLM) 推論における誤りの伝播に関する包括的研究を行い,本提案の故障注入フレームワークで実現した。 3つのオープンウェイトなLLMと13の代表的なタスクに障害を注入し、推論、多言語、数学的、コーディングドメインをカバーします。 本研究は,LLM推論における誤り伝播の理解を深める17のテイクアウトを得た。
  論文  参考訳（メタデータ） (2026-06-01T16:04:51Z)
• Characterizing the Failure Modes of LLMs in Resolving Real-World GitHub Issues [10.34693262597204]
  大きな言語モデル(LLM)は、現実のGitHub問題を解決するために、ますます多くデプロイされている。 本稿では,SWE-bench検証データセット上で,Claude 4.5 Sonnet,Gemini 3 Pro,GPT-5の3つの最先端モデルを評価する。 全治験900回にわたる243回の失敗試験の根本原因と症状の厳密な手作業による分析を行った。
  論文  参考訳（メタデータ） (2026-05-12T15:34:57Z)
• 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)
• Language Models Coupled with Metacognition Can Outperform Reasoning Models [32.32646975975768]
  大規模言語モデル(LLM)は、様々な推論タスクの速度と適応性に優れる。 LRMは複雑なステップバイステップ推論のために特別に設計されている。 SOFAI-LM はメタ認知により遅いがより強力な LRM と高速な LLM を協調する。
  論文  参考訳（メタデータ） (2025-08-25T12:19:57Z)
• Understanding and Mitigating Errors of LLM-Generated RTL Code [7.747889860813149]
  大規模言語モデル (LLM) ベースのレジスタ転送レベル (RTL) コード生成は有望であるが、全体的な成功率は相変わらず不満足である。 包括的なエラー解析と手動分類を行う。 その結果、ほとんどのエラーはRTLプログラミングの知識不足、回路概念の理解不足、複雑なマルチモーダル入力の誤解釈によるものであることが判明した。
  論文  参考訳（メタデータ） (2025-08-07T11:02:32Z)
• Exploring Automatic Cryptographic API Misuse Detection in the Era of LLMs [60.32717556756674]
  本稿では,暗号誤用の検出において,大規模言語モデルを評価するための体系的評価フレームワークを提案する。 11,940個のLCM生成レポートを詳細に分析したところ、LSMに固有の不安定性は、報告の半数以上が偽陽性になる可能性があることがわかった。 最適化されたアプローチは、従来の手法を超え、確立されたベンチマークでこれまで知られていなかった誤用を明らかにすることで、90%近い顕著な検出率を達成する。
  論文  参考訳（メタデータ） (2024-07-23T15:31:26Z)
• Characterization of Large Language Model Development in the Datacenter [55.9909258342639]
  大きな言語モデル(LLM)は、いくつかの変換タスクにまたがって素晴らしいパフォーマンスを示している。 しかし,大規模クラスタ資源を効率よく利用してLCMを開発することは容易ではない。 我々は,GPUデータセンタAcmeから収集した6ヶ月のLDM開発ワークロードの詳細な評価を行った。
  論文  参考訳（メタデータ） (2024-03-12T13:31:14Z)
• SelfCheck: Using LLMs to Zero-Shot Check Their Own Step-by-Step Reasoning [55.76083560152823]
  SelfCheckは、ステップバイステップの推論でエラーを認識する汎用的なゼロショット検証スキーマである。 我々は,3つのデータセット(GSM8K,MathQA,MATH)上でSelfCheckをテストし,エラーの認識に成功し,最終的な回答精度が向上することを確認した。
  論文  参考訳（メタデータ） (2023-08-01T10:31:36Z)
• Integrating Large Language Model for Improved Causal Discovery [25.50313039584238]
  大規模言語モデル(LLM)は、様々なドメイン固有のシナリオの因果解析に使われてきた。 エラー耐性 LLM による因果発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-29T12:48:00Z)

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。