論文の概要: LangNCO: Compiling Natural-Language Constraints into Inference-Time Interventions for Neural Combinatorial Optimization

• arxiv url: http://arxiv.org/abs/2610.23190v1
• Date: Fri, 16 Oct 2026 09:26:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.853049
• Title: LangNCO: Compiling Natural-Language Constraints into Inference-Time Interventions for Neural Combinatorial Optimization
• Title（参考訳）: LangNCO: ニューラルネットワーク最適化のための推論時間介入に自然言語制約をコンパイルする
• Abstract要約: 我々は,凍結したNCOに対して,要求を構造化された推論時間介入にコンパイルするフレームワークであるLangNCOを提案する。 LangNCO は4つの一次データセットにおいて平均参照ギャップ 1.63--3.26% と 97.33-100% のファシビリティを実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Neural combinatorial optimization (NCO) rapidly produces high-quality solutions for problem structures encountered during training, but operational requirements may change after deployment and be communicated in natural language. We propose LangNCO, a framework that compiles instance-specific requirements into structured inference-time interventions for a frozen NCO solver, without changing the pretrained policy's architecture, learned input representation, or parameters. A pretrained LLM serves as a replaceable semantic front end, translating each requirement into a schema-validated domain-specific language (DSL) rule set. A deterministic Rule Executor applies the rules as nonexpansive hard action masks. Because local masking prevents immediate violations but does not ensure that a complete feasible continuation remains reachable, Critical-Offset Decoding extracts rule-referenced critical nodes and reallocates part of a fixed rollout budget to multi-strength biased rollouts. Using controlled task-specific language to isolate solver adaptation from open-ended language robustness, we evaluate a CVRP policy on road closures, time windows, vehicle assignments, visit-order requirements, all pairwise combinations, and twelve additional constraint types. LangNCO achieves 100% feasibility on the four primary datasets with mean reference gaps of 1.63--3.26%, 97.33--100% feasibility when separately generated rules are composed for pairwise constraints, and 98.67% feasibility across the additional constraints. These results demonstrate modular post-training adaptation of a frozen NCO solver through inspectable language-derived rules, without retraining.
• Abstract（参考訳）: ニューラルネットワーク最適化(NCO)は、トレーニング中に遭遇する問題構造に対する高品質なソリューションを急速に生成するが、運用要件はデプロイ後に変更され、自然言語で通信される可能性がある。 我々は,学習された入力表現やパラメータを変更せずに,凍結したNCOソルバに対して,インスタンス固有の要求を構造化された推論時間介入にコンパイルするフレームワークであるLangNCOを提案する。 事前訓練されたLLMは、置換可能なセマンティックフロントエンドとして機能し、各要求をスキーマ検証されたドメイン固有言語(DSL)ルールセットに変換する。 決定論的ルール実行者は、このルールを拡張不可能なハードアクションマスクとして適用する。 局所マスキングは即時違反を防ぐが、完全な実現可能な継続が到達可能であることを保証しないため、Critical-Offset Decodingはルール参照クリティカルノードを抽出し、固定ロールアウト予算の一部を複数強度のバイアス付きロールアウトに再配置する。 オープンエンド言語ロバスト性からソルバ適応を分離するために,制御されたタスク固有言語を用いて,道路閉鎖,時間窓,車両割り当て,ビジターオーダー要件,全ペアの組み合わせ,12種類の制約タイプについて,CVRPポリシーを評価する。 LangNCO は4つの一次データセットにおいて平均参照ギャップ 1.63--3.26% と 97.33-100% のファシビリティを実現している。 これらの結果から, 凍結型NCOソルバのモジュール化後適応性を示す。

関連論文リスト

• Adaptive Block Diffusion: Resolving Training-Inference Mismatch in Diffusion Language Models [1.7626455083672685]
  拡散言語モデル (DLMs) は通常、一定の文脈構造の下で訓練される。 そこで本研究では,プレフィックスウィンドウ構成の分布に対する遅延リスクを最適化することにより,このミスマッチを解消する適応ブロック拡散を提案する。 復号化戦略の一般化はトレーニング分布の支援によって制御され、ABDはトレーニング中に構成がカバーされている推論ポリシーに対して最適な復号化を保証する。
  論文  参考訳（メタデータ） (2026-06-28T08:45:00Z)
• On the Limits of Prompt-Conditioned Language Models as General-Purpose Learners [4.675635684281315]
  大規模言語モデル(LLM)は、任意のタスクを解くことのできる汎用的な解法としてしばしば表現される。 言語は,タスク情報を伝達するための,圧縮された,容量に制限のあるインターフェースである。 我々は、遅延タスクがどのようにプロンプトにエンコードされ、アライメントと安全性の制約の下で再解釈されるかを分析する。
  論文  参考訳（メタデータ） (2026-06-22T17:52:59Z)
• Optimality-Preserving Decomposition for Scalable QAOA in Natural-Language-Guided Multi-Drone Assignment [1.189955933770711]
  我々は、微調整されたLarge Language Modelフロントエンドと高度にスケーラブルでドメイン固有の量子古典的バックエンドを統合するエンドツーエンドフレームワークを提案する。 本フレームワークは,新しい制約保存グラフパーティショナと圧縮セパレータベースの動的プログラミング(DP)マージを備える。 実証的な結果は、このアーキテクチャが古典的なスケーリング壁を回避し、理想化されたケースの100%と実際のQAOAサンプリングの96.3%でグローバルな最適性を回復していることを示している。
  論文  参考訳（メタデータ） (2026-06-12T08:31:14Z)
• Structure-Aware Commitment Reduction for Network-Constrained Unit Commitment with Solver-Preserving Guarantees [8.762061888571978]
  本稿では,ネットワーク制約付きユニットコミットメントのためのデメンタリティ削減フレームワークを提案する。 最適化に先立って修正するコミットメント決定における構造的規則性を利用する。 IEEE 57-bus、73-bus、IEEE 118-bus、拡張された大規模ケースに対する実験は、分岐とバウンドノードの一貫性のある減少と解時間を示している。
  論文  参考訳（メタデータ） (2026-04-03T06:55:32Z)
• HIPO: Instruction Hierarchy via Constrained Reinforcement Learning [57.40686733111483]
  textscHIPOは、制約付きマルコフ決定プロセスとしてHIFを定式化する新しいアライメントフレームワークである。 textscHIPOはシステムプロンプトを単に入力コンテキストから厳密なアルゴリズム境界まで高める。
  論文  参考訳（メタデータ） (2026-03-17T06:12:41Z)
• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• Large Language Models as End-to-end Combinatorial Optimization Solvers [45.32050615257007]
  物流や製造などの意思決定シナリオの中心となる組合せ最適化(CO)問題は、伝統的に問題固有のアルゴリズムを使用して解決される。 既存のアプローチは、コード生成やソルバ呼び出しといった中間ステップに依存しており、その汎用性とアクセシビリティを制限している。 本稿では,大規模言語モデル(LLM)を,自然言語問題記述をソリューションに直接マッピングすることで,エンドツーエンドのCOソルバとして機能させる,新たなフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-21T01:30:30Z)
• Fast Controlled Generation from Language Models with Adaptive Weighted Rejection Sampling [90.86991492288487]
  トークンの制約を評価するのは 違法にコストがかかる LCDは文字列上のグローバル分布を歪め、ローカル情報のみに基づいてトークンをサンプリングすることができる。 我々のアプローチは最先端のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-07T18:30:18Z)
• Attribute Controlled Fine-tuning for Large Language Models: A Case Study on Detoxification [76.14641982122696]
  本稿では,属性制御付き大規模言語モデル(LLM)の制約学習スキーマを提案する。 提案手法は, ベンチマーク上での競合性能と毒性検出タスクを達成しながら, 不適切な応答を少ないLCMに導出することを示す。
  論文  参考訳（メタデータ） (2024-10-07T23:38:58Z)
• Chance-Constrained Control with Lexicographic Deep Reinforcement Learning [77.34726150561087]
  本稿では,レキシックなDeep Reinforcement Learning(DeepRL)に基づく確率制約マルコフ決定プロセスを提案する。 有名なDeepRLアルゴリズムDQNの辞書版も提案され、シミュレーションによって検証されている。
  論文  参考訳（メタデータ） (2020-10-19T13:09:14Z)

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。