論文の概要: Directing to Diversify: Multi-Directional Search for Automatic Heuristic Design

• arxiv url: http://arxiv.org/abs/2610.31048v1
• Date: Thu, 22 Oct 2026 10:24:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.320063
• Title: Directing to Diversify: Multi-Directional Search for Automatic Heuristic Design
• Title（参考訳）: 多様性への方向: 自動ヒューリスティック設計のための多方向探索
• Abstract要約: 自動設計のための多方向摂動書き換え探索(PRS)フレームワークを提案する。 PRSは、よりリッチで表現力のある設計への拡張、よりシンプルで専門的な設計への圧縮、微調整のための操舵という3つの相補的な方向を通して、アイデアを運用している。
• 参考スコア（独自算出の注目度）: 45.42684712854389
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have demonstrated strong potential to automate heuristic design for NP-hard combinatorial optimization (CO) tasks without human intervention. Recent methods predominantly rely on evolutionary computation (EC) frameworks, where heuristic diversification is mainly induced through EC-like operators or downstream selection, while the direction of heuristic transformation remains largely unharnessed. In this paper, we propose a multi-directional Perturbation-Rewrite Search (PRS) framework for automatic heuristic design that factorizes heuristic transformation through directional search primitives at the generation level. Specifically, PRS operates on heuristic ideas through three complementary directions: expansion toward richer and more expressive designs, compression toward simpler and less specialized designs, and steering for fine-grained refinement, together enabling broader and more sustained exploration of diverse regions in the heuristic design space. PRS further organizes candidate exploration within a breadth-first search-based process with adaptive operator control, which ensures thorough candidate utilization and sustained exploration, and maintains strong search dynamics while preventing premature convergence. Extensive empirical results across diverse CO tasks show that PRS consistently discovers high-quality heuristics, demonstrating the effectiveness and generality of explicitly directional exploration design.
• Abstract（参考訳）: 大規模言語モデル (LLM) は、人間の介入なしにNP-hard combinatorial optimization (CO) タスクのヒューリスティック設計を自動化する強力な可能性を示している。 近年の手法は進化計算 (EC) の枠組みに大きく依存しており, ヒューリスティックな多様化は主にECライクな演算子や下流選択によって引き起こされるが, ヒューリスティックな変換の方向はほとんど無害である。 本稿では,自動ヒューリスティック設計のための多方向摂動書き換え探索(PRS)フレームワークを提案する。 具体的には、より豊かで表現力のある設計への拡張、よりシンプルで専門的な設計への圧縮、きめ細かな洗練のための操舵という3つの相補的な方向を通してヒューリスティックなアイデアを運用し、ヒューリスティックなデザイン空間における多様な領域のより広範囲で持続的な探索を可能にする。 PRSはさらに、適応演算子制御による幅1次探索プロセス内の候補探索を組織し、完全な候補利用と継続探索を保証し、早めの収束を防止しつつ、強力な探索ダイナミクスを維持している。 多様なCOタスクにまたがる広範な実験結果から、PSSは高品質なヒューリスティックを一貫して発見し、明示的な指向性探索設計の有効性と汎用性を実証している。

関連論文リスト

• From Models to Systems: A Comprehensive Survey of Efficient Multimodal Learning [126.2308206954491]
  本調査では,効率的なマルチモーダル学習のためのモデル・ツー・システム分類を初めて導入した。 我々は300を超える精巧な作品から3つの階層的なレベル – モデル,アルゴリズム,システム – への洞察を抽出し,アーキテクチャのパーシモニー,実行の洗練,ハードウェア対応のオーケストレーションを行う。
  論文  参考訳（メタデータ） (2026-09-16T21:27:22Z)
• QDEvo: A Multi-Objective Quality-Diversity Framework for Automated Heuristic Design [2.942531574809674]
  品質多様性最適化とLLM駆動探索を統合した多目的フレームワークを提案する。 QDEvoはHypervolumeとIn Generational Distanceの両方で最先端の手法を大幅に上回ることを示す。 我々のフレームワークは、高いパフォーマンス、計算効率、セマンティックに多様であるメトリクスの発見を可能にする。
  論文  参考訳（メタデータ） (2026-07-06T07:35:23Z)
• HMACE: Heterogeneous Multi-Agent Collaborative Evolution for Combinatorial Optimization [19.90781293176099]
  HMACEは異種多言語協調進化フレームワークである。 それぞれの進化生成を4つの調整されたエージェントで自律的で役割特異的なループに分解する。 冗長な評価を避けながら、多様で有望な行動への探索を導く。
  論文  参考訳（メタデータ） (2026-05-08T04:02:28Z)
• Advancing Automated Algorithm Design via Evolutionary Stagewise Design with LLMs [69.91297564489464]
  EvoStageは、産業規模のアルゴリズム設計の厳密な要求とLLMベースのアルゴリズム設計のギャップを埋める新しい進化パラダイムである。 EvoStageは、アルゴリズム設計プロセスを逐次的に管理可能なステージに分解し、リアルタイム中間フィードバックを反復的に洗練されたアルゴリズム設計方向に統合する。 商用グレードの3Dチップ配置ツールにデプロイすると、EvoStageはオリジナルのパフォーマンス指標を大幅に上回り、記録破りの効率を達成する。
  論文  参考訳（メタデータ） (2026-03-09T05:13:44Z)
• G-LNS: Generative Large Neighborhood Search for LLM-Based Automatic Heuristic Design [7.681872137995253]
  本稿では,Large Neighborhood Search(LNS)演算子を拡張した生成的進化的フレームワークを提案する。 G-LNSはLarge Language Models (LLMs)を活用して、密結合した破壊と修復のオペレータを共同開発する。 実験により、G-LNSは強力な古典解法と同様にLLMベースのAHD法よりも著しく優れていた。
  論文  参考訳（メタデータ） (2026-02-09T04:13:35Z)
• Evolving Interdependent Operators with Large Language Models for Multi-Objective Combinatorial Optimization [21.70371026963599]
  MOEAのマルチオペレータ最適化はマルコフ決定プロセスとして定式化されている。 E2OCは、最先端のAHDや他のマルチヒューリスティックな共同設計フレームワークを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-25T16:31:07Z)
• Integrating Diverse Assignment Strategies into DETRs [61.61489761918158]
  ラベル割り当ては、特にDETRスタイルのフレームワークにおいて、オブジェクト検出器において重要なコンポーネントである。 我々は,任意のDETR型検出器に多様な割り当て戦略をシームレスに統合する,フレキシブルで軽量なフレームワークであるLoRA-DETRを提案する。
  論文  参考訳（メタデータ） (2026-01-14T07:28:54Z)
• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• Progressive Multimodal Reasoning via Active Retrieval [64.74746997923967]
  多段階多モーダル推論タスクは、大規模言語モデル(MLLM)に重大な課題をもたらす 本稿では,MLLMの推論能力の向上を目的とした汎用フレームワークAR-MCTSを提案する。 我々は,AR-MCTSがサンプリングの多様性と精度を最適化し,信頼性の高いマルチモーダル推論を実現することを示す。
  論文  参考訳（メタデータ） (2024-12-19T13:25:39Z)

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。