論文の概要: VERAS: Verification-Guided Adaptive Search for Reliable Operations Research

• arxiv url: http://arxiv.org/abs/2610.24329v1
• Date: Fri, 16 Oct 2026 23:50:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 02:20:56.730063
• Title: VERAS: Verification-Guided Adaptive Search for Reliable Operations Research
• Title（参考訳）: VERAS:信頼性の高い運用研究のための検証ガイド付き適応検索
• Abstract要約: 本稿では,信頼性の高い操作研究(OR)問題に対する検証誘導型適応検索手法であるVERASを提案する。 VERASは検証証拠を使用して、実現可能性の修復、制約カバレッジのレビュー、ソリューション品質の改善を優先する。 ORAgentBenchでは、VERASは42.99%のパス率を記録し、報告されたコーデックスの35.51%を上回っている。
• 参考スコア（独自算出の注目度）: 7.97240478663009
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advances in reasoning, coding, and tool use enable LLM agents to solve operations research (OR) problems through iterative problem modeling, program construction, and verification. Yet passing self-authored verification does not ensure that the solutions satisfy task constraints and meet optimization quality. This gap can arise from correlated specification errors, where the generated program and its checks share omissions or misinterpretations of task requirements, alongside incomplete verification coverage and ineffective optimization strategies. We propose VERAS, a verification-guided adaptive search harness for reliable OR that uses verification evidence to prioritize feasibility repair, constraint-coverage review, and solution-quality improvement. VERAS combines task-specific solution checkers with a separate verification agent to examine candidate solutions against the task requirements. It uses verification feedback to guide feasibility repair, additional constraint checking, and objective improvement, while candidate acceptance criteria screen revisions for deterioration in output validity or constraint satisfaction. On ORAgentBench, VERAS achieves a 42.99% pass rate, exceeding the reported 35.51% of Codex using the same LLM. Across two industrial-scale OR problems, VERAS reduces inter-datacenter peak bandwidth by 10.34% relative to native Codex and lowers annualized distribution network planning costs by 6.28% compared with expert-designed solutions. Code and evidence are available at https://github.com/holimario/VERAS.
• Abstract（参考訳）: 推論、コーディング、ツールの使用の進歩により、LCMエージェントは反復的な問題モデリング、プログラム構築、検証を通じてオペレーションリサーチ(OR)問題を解決することができる。 しかし、自己証明の通過は、ソリューションがタスク制約を満たし、最適化品質を満たすことを保証しない。 このギャップは、生成されたプログラムとそのチェックが、不完全な検証カバレッジと非効率的な最適化戦略とともに、タスク要求の省略や誤解釈を共有するという、相関した仕様エラーから生じる可能性がある。 本稿では,信頼性ORのための検証誘導適応検索ハーネスであるVERASを提案する。 VERASはタスク固有のソリューションチェッカーと別の検証エージェントを組み合わせることで、タスク要求に対する候補ソリューションを調べる。 検証フィードバックを使用して、フェーザビリティの修復、追加の制約チェック、客観的改善をガイドし、候補の受け入れ基準は、出力妥当性の劣化または制約満足度を補正する。 ORAgentBenchでは、VERASは42.99%のパス率を獲得し、同じLLMを使用して報告されたコーデックスの35.51%を上回っている。 2つの産業規模のOR問題の中で、VERASはデータセンター間のピーク帯域幅をネイティブのCodexと比較して10.34%削減し、専門家が設計したソリューションに比べて年間配電ネットワーク計画コストを6.28%削減した。 コードとエビデンスはhttps://github.com/holimario/VERAS.comで公開されている。

関連論文リスト

• Beyond the Verdict: Agentic Code Judging with Verifiable Feedback [54.72977295521153]
  我々は,人間の専門家による受諾プログラムと受諾プログラムを用いて,USACO 2026コンテストからUSACO-JUDGEを構築した。 次に、35Bのエージェント検証器であるARBITERを、汎用的な実行サンドボックスで強化学習して訓練する。 トレーニングは、不正なプログラムを40.61%から62.67%に、二分判定の精度を71.41%から87.41%に引き上げる。
  論文  参考訳（メタデータ） (2026-10-13T17:22:58Z)
• Beyond Perfect Teammates: Multi-Agent Collaboration with Unreliable Colleagues [41.90964421829607]
  我々は,信頼できない証拠収集プロセスの回復能力からタスク解決能力の分離を図るために,UncoBench(Unreliable Colleagues Benchmark)を導入する。 10モデルにわたる結果は、同様の信頼性の高い設定性能が、信頼性の低い証拠と異なるロバスト性をもたらすことを示している。
  論文  参考訳（メタデータ） (2026-10-12T03:31:54Z)
• From Migration to Calibration: Preserving Agent Capabilities across Models, Jurisdictions, and Scale [4.321360447503974]
  エージェントキャリブレーションを標準優先適応として定式化し,基本能力,技術環境,ユーザコンテキスト標準を定義する。 制限されたユーザトラジェクトリとテストを用いた自動校正ツールを今後の作業として提案する。
  論文  参考訳（メタデータ） (2026-09-28T13:31:46Z)
• Task-CoEvolve: Efficient Harness Optimization via Adaptive Validation Task Selection [51.39973047614183]
  本稿では,適応型検証タスク選択によるLLMの効率向上のための新しい手法を提案する。 $textbfTask-CoEvolve$.textbfTask-CoEvolve$.textbfTask-CoEvolve$.textbfTaskは、情報的タスクの選択と、部分的な評価からフルセットのパフォーマンスの推定という2つの課題に対処することで、ハーネスでバリデーションタスクを共進化させる。
  論文  参考訳（メタデータ） (2026-08-20T15:24:54Z)
• LLM-as-a-Verifier: A General-Purpose Verification Framework [74.40111651545979]
  本稿では,汎用検証フレームワーク LLM-as-a-Verifier を紹介する。 追加のトレーニングを必要とせずに、エージェントタスクに対してきめ細かいフィードバックを提供する。 いくつかのベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-06T17:59:35Z)
• Automating Formal Verification with Reinforcement Learning and Recursive Inference [0.0]
  我々はダフニーで検証可能な報酬(RLVR)と検証者誘導推論時間探索を用いてオープンソースモデルを訓練する。 固定ベースモデルでは、証明修正器を備えた完全な足場は、直接修理中の初期VeriCodingパイロットセットのパスレートを46.2%から69.2%に改善する。 Rust $texttcurve25519-dalek$検証プロジェクトから派生した,レポジトリスケールのLeanベンチマークであるDalek-Benchについても紹介します。
  論文  参考訳（メタデータ） (2026-05-29T06:59:28Z)
• OptiLoop: Coordination-in-the-Loop Verification and Repair for LLM-Generated Optimization Agents [0.9543827270223156]
  分散された決定問題は、複数の当事者が共有された決定を調整する必要がある。 大規模言語モデル(LLM)は、ローカル最適化エージェントを生成することで参加障壁を低くする有望な方法を提供する。 LLM生成最適化エージェントのコーディネーション・イン・ザ・ループ検証と修復を提案する。
  論文  参考訳（メタデータ） (2026-05-26T19:49:41Z)
• Improving LLM Reasoning through Scaling Inference Computation with Collaborative Verification [52.095460362197336]
  大規模言語モデル(LLM)は一貫性と正確な推論に苦しむ。 LLMは、主に正しいソリューションに基づいて訓練され、エラーを検出して学習する能力を減らす。 本稿では,CoT(Chain-of-Thought)とPoT(Program-of-Thought)を組み合わせた新しい協調手法を提案する。
  論文  参考訳（メタデータ） (2024-10-05T05:21:48Z)

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。