論文の概要: Holistic Diversity Management in LLM-Guided Evolutionary Search
- arxiv url: http://arxiv.org/abs/2610.38407v1
- Date: Wed, 28 Oct 2026 07:52:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.39857
- Title: Holistic Diversity Management in LLM-Guided Evolutionary Search
- Title（参考訳）: LLM誘導進化探索におけるホロスティック多様性管理
- Abstract要約: 進化的探索を通して島々の多様性を活用するための総合的なアプローチを提案する。
HoliDivEvolveは、異なる初期プログラム、現在のスコア、最近の成長、そして残りの検索予算に基づいて割り当てるための軌道適応型島選択、そして島をまたいだ代替アイデアを共有するための成長適応型移動を定めている。
- 参考スコア（独自算出の注目度）: 25.264318601226265
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: LLM-guided evolutionary search iteratively selects existing programs, uses LLMs as mutation operators to generate a new program, and evaluates it to guide subsequent search. To preserve diversity and reduce the risk of premature convergence, it often adopts the island model, in which groups of programs, called islands, evolve separately. However, this structure alone does not guarantee distinct search directions, as islands may start from similar programs or converge toward similar solutions during evolution. This suggests that diversity must be considered throughout the search process, from initializing islands with distinct programs to developing island trajectories and sharing discoveries across islands. To this end, we propose HoliDivEvolve , a holistic approach to establishing and effectively utilizing island diversity throughout evolutionary search. Specifically, we introduce diverse initialization to establish different initial programs, trajectory adaptive island selection to allocate computation based on current score, recent growth, and the remaining search budget, and growth adaptive migration to share alternative ideas across islands. Experiments across diverse benchmarks show that HoliDivEvolve achieves competitive performance on most evaluated tasks. We further conduct controlled analyses to examine how our design choices affect search behavior and final performance.
- Abstract（参考訳）: LLM誘導の進化的探索は、既存のプログラムを反復的に選択し、LSMを突然変異演算子として新しいプログラムを生成する。
多様性を保ち、早期収束のリスクを低減するため、島と呼ばれるプログラム群が別々に進化する島モデルを採用することが多い。
しかし、この構造だけでは、島は類似のプログラムから始まり、進化中に類似の解へと収束する可能性があるため、明確な探索方向を保証していない。
これは、異なるプログラムで島を初期化することから島を横断する発見の共有まで、探索過程を通して多様性を考慮する必要があることを示唆している。
この目的のために,進化的探索を通じて島の多様性を確立し,有効活用するための総合的なアプローチであるHoliDivEvolveを提案する。
具体的には、異なる初期プログラムを確立するための多様な初期化、現在のスコアに基づいて計算を割り当てる軌道適応型島選択、最近の成長、そして残りの探索予算、島をまたいだ代替アイデアを共有するための成長適応型移動を導入する。
さまざまなベンチマークの実験から、HoliDivEvolveは、ほとんどの評価されたタスクにおいて、競争的なパフォーマンスを達成することが示されている。
さらに,我々の設計選択が探索行動や最終性能にどのように影響するかを調べるために,制御された分析を行う。
関連論文リスト
- Evo-B&B: Behavior-Aware LLM-Guided Joint Evolution of Branching and Node Selection Policies for MILP [26.11036066916149]
Evo-B&Bは、エンドツーエンドのSCIP解決フィードバックを用いて、実行可能分岐とノード選択ポリシーを共同で進化させる。
特定のB&B決定状態の分岐やノード選択の行動からポリシーの類似性を計測し、この類似性を利用して人口の多様性を保っている。
実験結果から,Evo-B&Bは競争力のある解法性能を達成し,大規模インスタンスに最適化できることが示唆された。
論文 参考訳（メタデータ） (2026-10-16T03:07:04Z) - EvoMem: Memory-Augmented Evolution for Code Optimization [7.069994048454947]
進化的プログラム探索のための永続的メモリアーキテクチャであるEvoMemを紹介する。
EvoMemは、成功した突然変異イベントを将来の実行のための構造化されたタスク対応アドバイスに変換する。
実験の結果,最も評価の高い設定に対して,目標値や検索速度の平均的な改善が認められた。
論文 参考訳（メタデータ） (2026-08-11T11:03:32Z) - Evolutionary Intelligence for Scientific Discovery: From Evolutionary Computation to Cumulative Discovery Systems [52.75919264158643]
進化計算(EC)は、フィードバック駆動型発見のための計算基盤を提供する。
本総説では, 科学的発見のための進化知能(EI)について紹介する。
EIは、探究を継続する科学的なAIシステムの特徴を、候補の洗練と経験の保持を結びつけることで特徴づける。
論文 参考訳（メタデータ） (2026-07-10T01:09:38Z) - TurboEvolve: Towards Fast and Robust LLM-Driven Program Evolution [8.845934077634187]
TurboEvolveは、固定評価予算の下でサンプル効率とロバスト性を改善するマルチ島進化フレームワークである。
進化的アルゴリズムにおける多重子孫戦略に触発されたTurboEvolveは、言語化されたサンプリングを導入した。
既存のソリューションプールを活用するために,シードプールインジェクション(seed-pool Injection)を提案する。
論文 参考訳（メタデータ） (2026-04-12T12:42:09Z) - CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery [67.47220507982522]
大規模言語モデル(LLM)ベースの進化は、オープンな発見のための有望なアプローチである。
オープンエンド問題における自律的マルチエージェント進化のための最初のフレームワークであるCORALを紹介する。
コーラルは、厳格な制御を長期にわたるエージェントに置き換え、探索し、反射し、協力する。
論文 参考訳（メタデータ） (2026-04-02T05:59:06Z) - EvoX: Meta-Evolution for Automated Discovery [115.89434419482797]
EvoXは、独自の進化過程を最適化する適応進化法である。
進捗に応じて、事前のソリューションが選択され、どのように変化するかを継続的に更新する。
AlphaEvolve, OpenEvolve, GEPA, ShinkaEvolveなどの既存のAI駆動の進化的手法を、タスクの大部分で上回っている。
論文 参考訳（メタデータ） (2026-02-26T18:54:41Z) - AdaEvolve: Adaptive LLM Driven Zeroth-Order Optimization [61.535567824938205]
本稿では,LLMによる進化を階層的適応最適化問題として再構成するフレームワークであるAdaEvolveを紹介する。
AdaEvolveは185の異なるオープンエンド最適化問題において、オープンエンドベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-02-23T18:45:31Z) - PACEvolve: Enabling Long-Horizon Progress-Aware Consistent Evolution [64.15555230987222]
PACEvolveはエージェントのコンテキストと検索ダイナミクスを堅牢に管理するように設計されたフレームワークである。
PACEvolveは、一貫性のある長期自己改善のための体系的なパスを提供する。
論文 参考訳（メタデータ） (2026-01-15T18:25:23Z) - HSEvo: Elevating Automatic Heuristic Design with Diversity-Driven Harmony Search and Genetic Algorithm Using LLMs [7.04316974339151]
ヒューリスティック・デザインは、複雑な探索とNP-ハード最適化の問題を解くのに有用であることから、活発な研究分野である。
適応型LLM-EPSフレームワークであるHSEvoを導入する。
論文 参考訳（メタデータ） (2024-12-19T16:07:00Z) - Cultivating Archipelago of Forests: Evolving Robust Decision Trees through Island Coevolution [10.246596695310176]
決定木は、その単純さと解釈可能性のために機械学習で広く使用されているが、敵の攻撃やデータ摂動に対する堅牢性に欠けることが多い。
本稿では,ロバストな決定木アンサンブルを構築するための島型共進化アルゴリズム(ICoEvoRDF)を提案する。
論文 参考訳（メタデータ） (2024-12-18T11:59:24Z) - A suite of diagnostic metrics for characterizing selection schemes [45.74830585715129]
DOSSIERは、8つの手作りメトリクスからなる診断スイートである。
これらのメトリクスは、エクスプロイト、探索、およびそれらの相互作用のために、実験的に特定の能力を測定するように設計されている。
DOSSIERを6つの一般的な選択スキームに適用する: トランケーション、トーナメント、フィットネス共有、レキシケース、非支配的なソート、ノベルティ検索。
論文 参考訳（メタデータ） (2022-04-29T01:05:51Z)
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。