論文の概要: Structure-Aware Skill Retrieval and Arbitration for Optimization Modeling
- arxiv url: http://arxiv.org/abs/2610.41909v1
- Date: Fri, 30 Oct 2026 15:45:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.795885
- Title: Structure-Aware Skill Retrieval and Arbitration for Optimization Modeling
- Title（参考訳）: 最適化モデリングのための構造認識スキル検索と任意化
- Abstract要約: textscArchORは、textscOptSkills上に2つの検索中心のモジュールを追加することで、アーキタイプ中心のスキルエージェントである。
emphSignature-Guided Retrieval (Stextsuperscript3R)は、オープン次元の構造的シグネチャをスキルにアタッチし、重み付けされたJaccardオーバーラップによって候補を優先順位付けし、セマンティックを上位$K$セットにリランクする。
- 参考スコア（独自算出の注目度）: 7.536050154926689
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large Language Models (LLMs) can turn natural-language optimization tasks into solver-checked answers, but current agents remain brittle under narrative rewrites and often store reusable experience at the instance level. We introduce \textsc{ArchOR}, an archetype-centric skill agent that builds on \textsc{OptSkills} by adding two retrieval-focused modules. \emph{Centroid-Aware Representation Learning} (CARL) refines the ordering of cached skill representations through a low-rank prototype residual. \emph{Signature-Guided Retrieval} (S\textsuperscript{3}R) attaches open-dimensional structural signatures to skills, prioritizes candidates by weighted Jaccard overlap, and bounds semantic re-ranking to a top-$K$ set. A baseline-preserving arbitration rule determines when the structural route should replace the original selector. With the same DeepSeek-V4.1-Flash backbone and released skill library, \textsc{ArchOR} reaches 65.00\% Micro-Avg.\ Pass@1 across five benchmarks, improving over \textsc{OptSkills} by 1.64~pp Micro-Avg.\ and 2.68~pp Macro-Avg.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、自然言語最適化タスクをソルバチェックされた回答に変換することができるが、現在のエージェントは、物語の書き直しの下でも不安定であり、しばしばインスタンスレベルで再利用可能なエクスペリエンスを格納する。
検索中心の2つのモジュールを追加することで,‘textsc{OptSkills}’の上に構築する,アーキタイプ中心のスキルエージェントである‘textsc{ArchOR} を紹介する。
\emph{Centroid-Aware Representation Learning} (CARL)は、低ランクのプロトタイプ残差を通じてキャッシュされたスキル表現の順序付けを洗練する。
\emph{Signature-Guided Retrieval} (S\textsuperscript{3}R)は、オープン次元の構造的シグネチャをスキルにアタッチし、重み付けされたJaccardオーバーラップによって候補を優先順位付けし、セマンティックを上位$K$セットにリランクする。
ベースライン保存仲裁規則は、構造経路が元のセレクタを置き換えるべき時期を決定する。
同じDeepSeek-V4.1-Flashバックボーンとリリースされたスキルライブラリにより、 \textsc{ArchOR} は 65.00\% Micro-Avg に達する。
Pass@1は5つのベンチマークで、textsc{OptSkills} よりも 1.64~pp Micro-Avg で改善されている。
と2.68〜pp Macro-Avg。
関連論文リスト
- Librarian Agents: Training LLMs to Curate Long-Context Workspaces that Anticipate Future Queries [61.486885079210055]
構築者エージェントが生文書を階層的な合成ファイルと参照リンクに変換するフレームワークであるLibrarian Agentsを導入し、下流の応答エージェントに適したワークスペースを形成する。
経験的に、ライブラリアンエージェントはBrowseComp-Plusで最強の検索と事前計算のベースラインを33ポイント上回り、繰り返しクエリで事前構築コストを償却し、31ポイント平均精度の改善でBRIGHT上の未確認領域にゼロショットを一般化する。
論文 参考訳（メタデータ） (2026-10-15T17:35:17Z) - Machine-Interpretable Information: Compiling Documents into Searchable and Readable Protocol States [28.06744741539406]
本稿では,最初のエージェント・ツー・エージェント(A2A)ドキュメント・ツー・ステートプロトコルであるMII(Machine-Interpretable Information)を紹介する。
デュアルタイムスケールのステートスペース Writer はドキュメントを標準的な固定バンド幅のステート(56トークン)にコンパイルし、軽量のTranslator はそれを冷凍されたReaderの埋め込みスペースにマップする。
結果として得られる.miiアーティファクトは、単一の転送可能な媒体でRetrieval(探索可能な幾何学)、Reasoning(言語記憶)、Reasoning(地下詳細)を統一する。
論文 参考訳（メタデータ） (2026-09-20T05:43:16Z) - DeepRead: Document Structure-Aware Reasoning to Enhance Agentic Search [23.447631421934847]
DeepReadは、ドキュメントネイティブな構造的事前を動作可能な推論機能に運用するために設計された、構造対応のドキュメント推論エージェントである。
DeepReadは、従来の検索手法に固有のコンテキストの断片化を効果的に軽減する、人間のような位置読み取りの推論パラダイムを提供する。
論文 参考訳（メタデータ） (2026-02-04T20:03:28Z) - MonkeyOCR v1.5 Technical Report: Unlocking Robust Document Parsing for Complex Patterns [80.05126590825121]
MonkeyOCR v1.5は、レイアウト理解とコンテンツ認識の両方を強化する統合ビジョン言語フレームワークである。
複雑なテーブル構造に対処するために,視覚的整合性に基づく強化学習手法を提案する。
2つの特別なモジュール、Image-Decoupled Table ParsingとType-Guided Table Mergingを導入し、テーブルの信頼性の高いパースを可能にする。
論文 参考訳（メタデータ） (2025-11-13T15:12:17Z) - LATex: Leveraging Attribute-based Text Knowledge for Aerial-Ground Person Re-Identification [78.73711446918814]
我々は,属性ベースのテキスト知識を活用するために,アクシデントチューニング戦略を採用した,AG-ReIDのためのLATexという新しいフレームワークを提案する。
我々のフレームワークは属性ベースのテキスト知識をフル活用してAGReIDの性能を向上させることができる。
論文 参考訳（メタデータ） (2025-03-31T04:47:05Z) - Enhancing Frame Detection with Retrieval Augmented Generation [2.5782420501870296]
RCIF(Retrieve Candidates and Identify Frames)と呼ばれるフレーム検出のためのRAGに基づく最初のアプローチを提案する。
その結果,検索空間を狭めることで,検索要素がタスクの複雑さを著しく低減できることが示唆された。
提案手法はFrameNet 1.5 と 1.7 の最先端性能を実現し,原文のみを提供するシナリオにおいて,その堅牢性を実証する。
論文 参考訳（メタデータ） (2025-02-17T02:34:02Z)
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。