論文の概要: ASTOR: Benchmarking and Improving Autoformulation for Soft-Constraint Optimization with a Formal Grammar
- arxiv url: http://arxiv.org/abs/2610.26819v1
- Date: Mon, 19 Oct 2026 17:52:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 01:08:08.26987
- Title: ASTOR: Benchmarking and Improving Autoformulation for Soft-Constraint Optimization with a Formal Grammar
- Title（参考訳）: ASTOR:形式文法を用いたソフト制約最適化のためのベンチマークとオートフォーミュレーションの改善
- Abstract要約: 本稿では、自然言語決定問題を文法誘導構文木(AST)にマッピングする推論時フレームワークASTORを紹介する。
また、ソフト制約定式化に焦点を当てた自然言語問題の統一ベンチマークであるSoftORについても紹介する。
- 参考スコア（独自算出の注目度）: 0.0764671395172401
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world decision problems combine two qualitatively different kinds of constraints: requirements that must be satisfied, called hard constraints, and preferences that can be violated, called soft constraints. Because these problems are often posed to decision-makers in natural language, large language models offer a natural tool for assisting with their solution. This has given rise to autoformulation, which focuses on using LLMs to translate natural-language descriptions of decision problems into executable mathematical optimization models. However, this research often neglects soft constraints like those proposed by consumers, managers, and planners, despite the fact that many practical problems require modeling them explicitly. We introduce ASTOR, an inference-time framework that maps a natural-language decision problem to a grammar-guided abstract syntax tree (AST) before deterministically compiling the resulting representation into executable optimization code. We also introduce SoftOR, a unified benchmark of natural language problems which focuses on soft constraint formulations. On SoftOR, ASTOR achieves the best aggregate accuracy among comparable single-request and multi-agent LLM methods while remaining competitive on standard autoformulation benchmarks that include only hard constraints. Code and data are available at https://anonymous.4open.science/r/astor-softor-iclr-E34C/README.md.
- Abstract（参考訳）: 現実の意思決定問題は、2つの定性的に異なる制約(ハード制約(英語版)と呼ばれる要件)と、ソフト制約(英語版)と呼ばれる、違反できる好み(英語版))を組み合わせる。
これらの問題は、自然言語の意思決定者に対してしばしば提起されるため、大きな言語モデルは、そのソリューションを支援するための自然なツールを提供する。
これは、決定問題の自然言語記述を実行可能な数学的最適化モデルに変換するためにLLMを使うことに焦点を当てたオートフォーミュレーションを生み出した。
しかしながら、この研究は消費者、管理者、プランナーによって提案されたようなソフトな制約を無視することが多い。
本稿では、自然言語決定問題を文法誘導抽象構文木(AST)にマッピングし、結果の表現を実行可能な最適化コードに決定的にコンパイルする推論時フレームワークであるASTORを紹介する。
また、ソフト制約定式化に焦点を当てた自然言語問題の統一ベンチマークであるSoftORについても紹介する。
SoftORでは、ASTORは、ハード制約のみを含む標準オートフォーミュレーションベンチマークにおいて競争力を維持しながら、同等の単一要求法とマルチエージェントLPM法で最高の集約精度を達成している。
コードとデータはhttps://anonymous.4open.science/r/astor-softor-iclr-E34C/README.mdで公開されている。
関連論文リスト
- Reliable Reasoning with Large Language Models via Preference-Based Maximum Satisfiability [19.16962344736341]
大きな言語モデル(LLM)は、自然言語を理解するのに優れているが、ユーザ定義の好みを含む最適化タスクに苦労する。
本稿では,LLMがコード生成を通じて推論を外部化するハイブリッド推論手法を提案する。
この結果から,LLMによるコード生成と嗜好に基づくMaxSATが組み合わさることで,ソルバ検証の最適化が可能であることが示唆された。
論文 参考訳（メタデータ） (2026-05-28T09:51:33Z) - VeriSimpl: Robust Optimization Modeling from Natural Language using Simplification-based Verification [0.43665049670577916]
自然言語から最適化への堅牢な形式化のためのフレームワークであるVeriSimplを紹介する。
我々のアプローチは、単純化に基づく検証という考え方に基づいている。
提案手法は既存の手法に比べて精度が一貫した改善を提供すると同時に,新しい高精度自己検証信号を提供する。
論文 参考訳（メタデータ） (2026-05-24T13:46:54Z) - Programming over Thinking: Efficient and Robust Multi-Constraint Planning [54.77940831026738]
SCOPEは、クエリ固有の推論をジェネリックコード実行から切り離すフレームワークである。
SCOPEは、コストとレイテンシを下げながら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） (2026-01-14T02:58:07Z) - LLMize: A Framework for Large Language Model-Based Numerical Optimization [0.0]
大規模言語モデル(LLM)は、最近、従来の言語タスク以上の強力な推論能力を示している。
本稿では,LLM駆動最適化を実現するオープンソースPythonフレームワークであるLLMizeを提案する。
論文 参考訳（メタデータ） (2025-12-30T20:05:30Z) - 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) - Step-by-Step Mastery: Enhancing Soft Constraint Following Ability of Large Language Models [39.114513139453756]
大規模言語モデル(LLM)には、複数の制約を含む命令に従うことが不可欠である。
高品質な出力を持つデータセットを自動構築するパイプラインを設計する。
データ構築プロセス中に発生する正と負のサンプルを十分に活用するために、トレーニング手法として直接選好最適化(DPO)を選択する。
我々は,LLMのソフト制約追従能力を向上させるための手法の有効性を実験的に評価した。
論文 参考訳（メタデータ） (2025-01-09T03:34:07Z) - Autoformulation of Mathematical Optimization Models Using LLMs [50.030647274271516]
本稿では,自然言語問題記述から解法対応最適化モデルを自動生成する,$textitautoformulation$の問題にアプローチする。
オートフォーミュレーションの3つの主要な課題を識別する: $textit(1)$ 巨大で問題に依存した仮説空間、および$textit(2)$ 不確実性の下でこの空間を効率的かつ多様に探索する。
我々は,$textitLarge Language Models$と$textitMonte-Carlo Tree Search$を併用した新しい手法を提案する。
論文 参考訳（メタデータ） (2024-11-03T20:41:38Z) - Solving General Natural-Language-Description Optimization Problems with Large Language Models [34.50671063271608]
外部ソルバでLLMを増強するOPtLLMという新しいフレームワークを提案する。
OptLLMは自然言語でユーザクエリを受け付け、それらを数学的定式化やプログラミングコードに変換し、解決者を呼び出して結果を計算する。
OptLLMフレームワークのいくつかの機能は、2023年6月から試用されている。
論文 参考訳（メタデータ） (2024-07-09T07:11:10Z) - Controlled Text Generation with Natural Language Instructions [74.88938055638636]
InstructCTGは、異なる制約を含む制御されたテキスト生成フレームワークである。
まず、既製のNLPツールと単純な動詞の組み合わせにより、自然文の基本的制約を抽出する。
制約の自然言語記述といくつかの実演を予測することにより、様々な種類の制約を組み込むために、事前訓練された言語モデルを微調整する。
論文 参考訳（メタデータ） (2023-04-27T15:56:34Z)
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。