論文の概要: Constraint Reasoning and Large Language Models Join Forces: Providing Contrastive Explanations for Real-World Optimisation-Based Applications

• arxiv url: http://arxiv.org/abs/2610.31119v1
• Date: Thu, 22 Oct 2026 11:33:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.342206
• Title: Constraint Reasoning and Large Language Models Join Forces: Providing Contrastive Explanations for Real-World Optimisation-Based Applications
• Title（参考訳）: 制約推論と大言語モデルが合流する: 実世界の最適化に基づくアプリケーションのための対照的な説明を提供する
• Abstract要約: 我々は,実世界のアプリケーションにおける最適化に基づく意思決定支援システムに焦点をあてる。 我々は,最適化問題の解決,特にMIP(Mixed-Integer Program)に基づいて,ユーザのレコメンデーションに関する質問に回答する対照的な説明を提供することを目指している。 本稿では,制約推論手法とLarge Language Models(LLMs)を組み合わせて,MIPを符号化した最適化問題に対する対照的な説明を生成する手法を提案する。
• 参考スコア（独自算出の注目度）: 6.381430350711558
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We focus on optimisation-based Decision Support Systems in real-world applications. In this context, we aim to provide contrastive explanations that answer users' questions about recommendations based on the solution of an optimisation problem, specifically a Mixed-Integer Program (MIP). Addressing this endeavour is crucial to ensure human oversight of the decisions implemented, as required by international guidelines on trustworthy and responsible automated decision-making systems. We propose a novel methodology that combines constraint reasoning techniques and Large Language Models (LLMs) to generate contrastive explanations for optimisation problems encoded as MIPs. Although LLMs have shown impressive capabilities in Natural Language processing, they can produce incorrect answers due to reasoning limitations. To overcome these limitations, we leverage constraint reasoning techniques to distil the information necessary to produce an explanation, which is then passed as input to an LLM as the so-called graph of reasons. Such a graph captures the semantics and the relationships among constraints of the optimisation problem. Results on real-world scheduling domains show that incorporating constraint reasoning improves explanations generated by the LLM. In particular, using the graph of reasons enables the LLM to produce natural-language explanations that include more relevant reasons while reducing errors compared to explanations generated without this structure.
• Abstract（参考訳）: 我々は,実世界のアプリケーションにおける最適化に基づく意思決定支援システムに焦点をあてる。 本稿では,最適化問題の解決,特にMIP(Mixed-Integer Program)に基づいて,ユーザのレコメンデーションに関する質問に回答する対照的な説明を提供することを目的とする。 この取り組みに対処することは、信頼性と責任のある自動意思決定システムに関する国際ガイドラインで要求されるように、実施された決定の人間の監督を確保するために不可欠である。 本稿では,制約推論手法とLarge Language Models(LLMs)を組み合わせて,MIPを符号化した最適化問題に対する対照的な説明を生成する手法を提案する。 LLMは自然言語処理において顕著な能力を示してきたが、推論の制限により誤った解が得られる。 これらの制約を克服するために,制約推論手法を活用して説明書を作成するために必要な情報を排除し,その理由のグラフとしてLSMに入力として渡される。 このようなグラフは最適化問題の制約間の意味と関係をキャプチャする。 実世界のスケジューリング領域において,制約推論を取り入れることで,LLMによる説明がより良くなることを示す。 特に、理由のグラフを用いることで、LLMはより関連性の高い理由を含む自然言語による説明を作成できるが、この構造なしで生成された説明に比べて誤りを減らすことができる。

関連論文リスト

• 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)
• Matrix as Plan: Structured Logical Reasoning with Feedback-Driven Replanning [9.431480849387595]
  Chain-of-Thoughtプロンプトは、Large Language Models(LLMs)の推論能力を高めることが示されている。 ニューロシンボリック法は、外部の解法を通して形式的正しさを強制することによって、このギャップに対処する。 行列ベースの計画を持つ構造化CoTフレームワークであるMatrixCoTを提案する。
  論文  参考訳（メタデータ） (2026-01-15T06:12:00Z)
• Exploiting Constraint Reasoning to Build Graphical Explanations for Mixed-Integer Linear Programming [0.6749750044497732]
  X-MILPは、MILPの対照的な説明を構築するためのドメインに依存しないアプローチである。 まず、ユーザがMILP問題の解に対して行うクエリを、追加制約としてエンコードする方法を示す。 そして, 利用者の問合せに対する回答を構成する理由を, 既約不実用サブシステム (IIS) の計算により決定する。
  論文  参考訳（メタデータ） (2025-07-17T11:25:33Z)
• Reasoning-Aligned Perception Decoupling for Scalable Multi-modal Reasoning [95.44766931218896]
  MLLM(Multi-modal large language model)は、テキストベースの推論に遅れを取っている。 本稿では,MLLMの推論コンポーネントをモジュール化し,容易に置き換え可能なパーセプション推論デカップリングを提案する。 本稿では,視覚知覚最適化(VPO)と呼ばれる新しい強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-06-05T02:28:07Z)
• FaithLM: Towards Faithful Explanations for Large Language Models [60.45183469474916]
  大規模言語モデルの忠実度を評価し改善するモデルに依存しないフレームワークであるFaithLMを紹介した。 FaithLMは一貫して忠実度を高め、強い自己説明ベースラインよりも人間の合理性に整合した説明を生成する。
  論文  参考訳（メタデータ） (2024-02-07T09:09:14Z)
• Automatically Correcting Large Language Models: Surveying the landscape of diverse self-correction strategies [104.32199881187607]
  大規模言語モデル(LLM)は、幅広いNLPタスクで顕著な性能を示した。 これらの欠陥を正すための有望なアプローチは自己補正であり、LLM自体が自身の出力で問題を修正するために誘導される。 本稿では,この新技術について概観する。
  論文  参考訳（メタデータ） (2023-08-06T18:38:52Z)

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。