論文の概要: ParetoChat: An LLM-Based Interface for Interactive Multi-Objective Optimization
- arxiv url: http://arxiv.org/abs/2610.23062v1
- Date: Fri, 16 Oct 2026 07:39:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.819028
- Title: ParetoChat: An LLM-Based Interface for Interactive Multi-Objective Optimization
- Title（参考訳）: ParetoChat: 対話型多目的最適化のためのLLMベースのインタフェース
- Abstract要約: 本稿では,対話型多目的最適化のためのエキスパートエージェントインタフェースであるemphParetoChatを提案する。
エージェントは、自然言語のユーザ入力を構造化されたスカラー化パラメータに変換し、最適化システムを実行し、候補解を提示し、繰り返しフィードバックを導き出す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-objective optimization models are often deployed in settings where decision makers (DMs) must balance some conflicting criteria. In practice, however, stakeholders must translate their qualitative preferences between different criteria into numerical weights, priorities, or reference points required by optimization methods, which can be difficult to specify and interpret. This paper proposes \emph{ParetoChat}, an LLM (large language model)-based expert-agent interface for interactive multi-objective optimization. The agent translates natural-language user input into structured scalarization parameters, invokes an optimization system, presents candidate solutions, and iteratively elicits feedback. We describe a multi-agent architecture that separates input processing, multi-criteria decision-making (MCDM) expertise, solution presentation, and feedback processing. We then present a simulation study using an LLM-based DM agent and benchmark ParetoChat against interactive methods implemented in DESDEO, including reference-point and NIMBUS methods. The computational experiments on multi-objective binary knapsack and set-partitioning instances show that ParetoChat can guide the search efficiently toward solutions that match the DM's preferences. An application to historical courier-order assignment instances illustrates how users can explore objective extremes and intermediate trade-offs through natural-language requests. The results indicate that LLM agents may provide a practical interaction layer between business stakeholders and optimization tools.
- Abstract（参考訳）: 多目的最適化モデルは、意思決定者(DM)が矛盾する基準のバランスを取る必要がある設定にしばしばデプロイされる。
しかし実際には、利害関係者は、異なる基準間の定性的な選好を、最適化手法が要求する数値的な重み、優先順位、基準点に変換する必要がある。
本稿では,対話型多目的最適化のための LLM ベースのエキスパートエージェントインタフェースである \emph{ParetoChat} を提案する。
エージェントは、自然言語のユーザ入力を構造化されたスカラー化パラメータに変換し、最適化システムを実行し、候補解を提示し、繰り返しフィードバックを導き出す。
本稿では,入力処理,MCDM(Multi-criteria decision-making)専門知識,ソリューション提示,フィードバック処理を分離するマルチエージェントアーキテクチャについて述べる。
次に,DESDEO で実装された対話的手法に対する LLM ベースの DM エージェントとベンチマーク ParetoChat を用いてシミュレーションを行った。
多目的バイナリknapsackとセットパーティショニングインスタンスの計算実験は、ParetoChatがDMの好みにマッチする解へ効率的に探索を導くことができることを示している。
過去のcourier-orderの代入インスタンスへのアプリケーションでは、自然言語リクエストを通じて、ユーザが客観的な極端と中間的なトレードオフを探索する方法が示されている。
その結果、LLMエージェントはビジネスステークホルダーと最適化ツールの実践的な相互作用層を提供する可能性が示唆された。
関連論文リスト
- Let's Have a Conversation: Designing and Evaluating LLM Agents for Interactive Optimization [42.990074666128145]
本稿では,対話を通して最適化エージェントを評価するための,スケーラブルで再現性の高い手法を提案する。
私たちは学校のスケジュールケーススタディで何千もの会話を作ります。
同じ最適化エージェントが会話を通じて、はるかに高品質なソリューションに収束する。
論文 参考訳（メタデータ） (2026-04-03T02:55:24Z) - LISTEN to Your Preferences: An LLM Framework for Multi-Objective Selection [8.355352653283516]
LISTENは、Large Language Model(LLM)をゼロショットの選好オラクルとして活用するフレームワークである。
LISTEN-Uは嗜好がパラメトリックに一致している場合に優れ、LISTEN-Tはより堅牢な性能を提供する。
この研究は、複雑な多目的決定を直接自然言語で操るための有望な方向を探究する。
論文 参考訳（メタデータ） (2025-10-29T03:17:37Z) - Investigating Thematic Patterns and User Preferences in LLM Interactions using BERTopic [4.087884819027264]
本研究では,Lumsys-chat-1mデータセットに対してBERTopicを適用した。
主な目的は、これらの会話におけるテーマパターンを明らかにし、ユーザの好みとの関係を調べることである。
トピックとモデル嗜好の関係を分析し,モデルとトピックのアライメントの傾向を明らかにした。
論文 参考訳（メタデータ） (2025-10-08T21:13:44Z) - Importance Sampling for Multi-Negative Multimodal Direct Preference Optimization [68.64764778089229]
MISP-DPOはマルチモーダルDPOに複数の意味的に多様な負の画像を組み込む最初のフレームワークである。
提案手法は,CLIP空間にプロンプトと候補画像を埋め込んで,意味的偏差を解釈可能な因子に発見するためにスパースオートエンコーダを適用する。
5つのベンチマーク実験により、MISP-DPOは従来手法よりも常にマルチモーダルアライメントを改善することが示された。
論文 参考訳（メタデータ） (2025-09-30T03:24:09Z) - A Survey on the Optimization of Large Language Model-based Agents [16.733092886211097]
大規模言語モデル(LLM)は様々な分野で広く採用されており、自律的な意思決定や対話的なタスクに欠かせないものとなっている。
しかしながら、現在の作業は通常、バニラLLMに適用された迅速な設計や微調整戦略に依存している。
LLMに基づくエージェント最適化手法の総合的なレビューを行い、パラメータ駆動型およびパラメータフリーな手法に分類する。
論文 参考訳（メタデータ） (2025-03-16T10:09:10Z) - Dynamic benchmarking framework for LLM-based conversational data capture [0.0]
本稿では,大規模言語モデル(LLM)を評価するためのベンチマークフレームワークを提案する。
生成エージェントシミュレーションを統合して、情報抽出、コンテキスト認識、適応エンゲージメントといった重要次元のパフォーマンスを評価する。
その結果,不明瞭な応答を扱う場合,適応戦略によりデータの抽出精度が向上することが示唆された。
論文 参考訳（メタデータ） (2025-02-04T15:47:47Z) - CHiP: Cross-modal Hierarchical Direct Preference Optimization for Multimodal LLMs [107.21334626890713]
MLLM(Multimodal Large Language Models)は、その優れた能力にもかかわらず、幻覚に苦しむ。
本稿では,これらの制約に対処するクロスモーダル階層型直接選好最適化(CHiP)を提案する。
定量的および定性的な分析によってCHiPを評価し,幻覚の低減効果を複数のベンチマークで実証した。
論文 参考訳（メタデータ） (2025-01-28T02:05:38Z) - MetaAlign: Align Large Language Models with Diverse Preferences during Inference Time [50.41806216615488]
大規模言語モデル(LLM)は、広範なテキストコーパスから広範な知識と顕著な能力を取得する。
LLMをより使いやすくするためには、それらを人間の好みに合わせることが不可欠である。
提案手法は,LLMが推論時に指定される様々な明示的あるいは暗黙的な選好と動的に整合するのを支援することを目的としている。
論文 参考訳（メタデータ） (2024-10-18T05:31:13Z) - Recommender AI Agent: Integrating Large Language Models for Interactive
Recommendations [53.76682562935373]
我々は,LLMを脳として,レコメンダモデルをツールとして使用する,textbfInteRecAgentという効率的なフレームワークを紹介した。
InteRecAgentは会話レコメンデーションシステムとして満足度を達成し、汎用LLMよりも優れる。
論文 参考訳（メタデータ） (2023-08-31T07:36:44Z) - Unlocking the Potential of User Feedback: Leveraging Large Language
Model as User Simulator to Enhance Dialogue System [65.93577256431125]
本稿では,ユーザガイド応答最適化 (UGRO) という代替手法を提案し,タスク指向の対話モデルと組み合わせる。
このアプローチでは、アノテーションのないユーザシミュレータとしてLLMを使用して対話応答を評価し、より小型のエンドツーエンドTODモデルと組み合わせる。
提案手法は従来のSOTA(State-of-the-art)よりも優れている。
論文 参考訳（メタデータ） (2023-06-16T13:04:56Z)
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。