論文の概要: LLM-Based Exogenous World Modeling for Dynamic Scheduling

• arxiv url: http://arxiv.org/abs/2610.29308v1
• Date: Wed, 21 Oct 2026 07:01:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.266494
• Title: LLM-Based Exogenous World Modeling for Dynamic Scheduling
• Title（参考訳）: LLMを用いた動的スケジューリングのための外因性世界モデリング
• Abstract要約: 本研究では,事前訓練された大言語モデル (LLM) が,構造化世界モデルの内在的構成要素として機能することを示す。 我々は、進化した信念条件付きディスパッチ戦略と短いシナリオベースのロールアウトを組み合わせた、AWMP(Afterstate World-Model Planning)を開発した。 多様な到着分布において、AWMPは動的ジョブホップで6-21%、柔軟なジョブホップベンチマークで22-46%の重み付きタドネスを減少させる。
• 参考スコア（独自算出の注目度）: 71.2187026264008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic scheduling requires dispatching online arrivals while anticipating future jobs, as poor decisions can compound downstream costs under nonlinear tardiness objectives. We show that a pretrained large language model (LLM) can serve as the exogenous component of a structured world model, forecasting uncertain future job arrivals. Specifically, we exploit an afterstate decomposition, which separates known deterministic shop transitions from uncertain exogenous job arrivals, enabling the LLM to forecast only the latter through a compact belief representation. Building on this, we develop Afterstate World-Model Planning (AWMP), which combines an evolved, belief-conditioned dispatching strategy with short scenario-based rollouts. A surprise-triggered refresh mechanism queries the LLM only when newly observed arrivals deviate sufficiently from previous forecast, and online residual self-calibration further conditions the LLM on its recent forecast errors to handle nonstationary arrivals. Across diverse arrival distributions, AWMP reduces weighted tardiness by 6-21% on dynamic job-shop and 22-46% on flexible job-shop benchmarks, relative to the best of eight classical priority-dispatching rules.
• Abstract（参考訳）: 動的スケジューリングは、不安定な決定は、非線形な重大目標の下で下流のコストを複雑にする可能性があるため、将来のジョブを予測しながらオンライン到着を発行する必要がある。 本研究では、事前訓練された大言語モデル(LLM)が構造化世界モデルの外生的要素として機能し、不確実な将来の就業を予測できることを示す。 具体的には、既知決定論的店舗遷移を不確実な外因性求職者から切り離し、LLMがコンパクトな信念表現を通して後者のみを予測することを可能にした後状態分解を利用する。 これに基づいて、進化した信念条件付きディスパッチ戦略と短いシナリオベースのロールアウトを組み合わせた、AWMP(Afterstate World-Model Planning)を開発した。 突発的にトリガーされたリフレッシュ機構は、新たに観測された到着が以前の予測から十分にずれた場合にのみLCMをクエリし、オンラインの残余自己校正は、非定常到着を扱うための最近の予測エラーをLCMにさらに条件付けする。 AWMPは、多様な到着分布全体で、動的ジョブショップでは6-21%、フレキシブルジョブショップベンチマークでは22-46%の重み付け障害を減少させる。

関連論文リスト

• MetaCaster: Meta-Harness-Optimized Agent for End-to-End Few-Shot Learning of Lightweight Time Series Forecasters [86.78565015172455]
  時系列予測(TSF)は、マルチモーダルおよびエージェント設定に向けて進化している。 メタハーネスを最適化したマルチエージェントフレームワークであるMetaCasterを提案する。 我々の研究は、エージェントが予測者としてではなく、仲介エンジニアとして振る舞う新しいTSFパラダイムを強調している。
  論文  参考訳（メタデータ） (2026-08-24T16:40:25Z)
• Censoring-Aware In-Context Learning for Generalized Supplier Lead Time Estimation in Supply Chain Planning [31.58956095041944]
  本稿では,確率的リードタイム予測のための検閲対応インコンテキスト学習モデルであるPedTime-ICLを提案する。 LT-ICLは変圧器のバックボーンと条件付き正規化フローヘッドを結合し、リード時間を通して完全な予測分布を生成する。 7つの産業にまたがる24のプロプライエタリなサプライチェーンデータセット上でLT-ICLを評価した。
  論文  参考訳（メタデータ） (2026-07-20T21:45:43Z)
• Atropos: Improving Cost-Benefit Trade-off of LLM-based Agents under Self-Consistency with Early Termination and Model Hotswap [4.950224736359097]
  アトロポスは予測的な早期終了分析とホットスワップ技術である。 自己整合性(self-consistency)を利用するLCMベースのエージェントのコスト対効果のトレードオフを改善することを目的としている。 ATROPOSは閉じたLCMの性能の74.35%を達成し、コストは23.9%に過ぎなかった。
  論文  参考訳（メタデータ） (2026-04-16T14:39:36Z)
• The Diminishing Returns of Early-Exit Decoding in Modern LLMs [22.442245764201406]
  我々は,現代のLarge Language Model (LLM) 推論において,レイヤワイド・アーリーエグジットを再評価する。 モデルの本質的な適合性を早期に定量化する指標を提案する。 密度変換器は一般的に、Mixture-of-ExpertsやState Space Modelsよりも早期のポテンシャルが大きい。
  論文  参考訳（メタデータ） (2026-03-24T20:38:17Z)
• T-LLM: Teaching Large Language Models to Forecast Time Series via Temporal Distillation [7.6933817667680096]
  時系列予測は多くの現実世界のアプリケーションにおいて意思決定において重要な役割を果たす。 本稿では,汎用言語モデルと時系列予測機能を組み合わせた時空間蒸留フレームワークT-LLMを提案する。
  論文  参考訳（メタデータ） (2026-02-02T10:40:27Z)
• Adaptive Rescheduling in Prefill-Decode Disaggregated LLM Inference [29.19884207604898]
  大規模言語モデル(LLM)推論は基本的なパラダイムとして登場した。 本稿では,時間予測を利用した適応型復号化システムであるARESを提案する。
  論文  参考訳（メタデータ） (2025-10-15T15:29:08Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Predicting Emergent Capabilities by Finetuning [98.9684114851891]
  微調整された言語モデルでは,出現頻度の低いモデルに展開するスケーリングのポイントをシフトできることがわかった。 提案手法は4つの標準NLPベンチマークを用いて検証する。 いくつかのケースでは、最大4倍の計算でトレーニングされたモデルが出現したかどうかを正確に予測できる。
  論文  参考訳（メタデータ） (2024-11-25T01:48:09Z)
• From Words to Actions: Unveiling the Theoretical Underpinnings of LLM-Driven Autonomous Systems [59.40480894948944]
  大規模言語モデル (LLM) は、物理世界の意思決定問題を解くことができる。 このモデルの下で、LLM Plannerは、プロンプトを介して言語ベースのサブゴールを反復的に生成することにより、部分的に観測可能なマルコフ決定プロセス(POMDP)をナビゲートする。 我々は,事前学習したLLMプランナーが,文脈内学習を通じてベイズ的集計模倣学習(BAIL)を効果的に行うことを証明した。
  論文  参考訳（メタデータ） (2024-05-30T09:42:54Z)

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。