論文の概要: Log-Driven Semantic Tuning for Mixed Integer Programming Solvers
- arxiv url: http://arxiv.org/abs/2611.00621v1
- Date: Sat, 31 Oct 2026 04:43:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-13 17:41:11.899096
- Title: Log-Driven Semantic Tuning for Mixed Integer Programming Solvers
- Title(参考訳): 混合整数計画法のためのログ駆動セマンティックチューニング
- Abstract要約: 混合整数型プログラミング解決器の構成を自動化するために,ログ駆動型セマンティックチューニングを提案する。
ソルバログから診断を抽出し、現在の最高の設定にスパース編集を提案し、実行前に各提案を検証する。
これにより、SMAC3、RBFOpt、ランダム検索と比較して、容易なインスタンスでは43.9%、中間インスタンスでは16.7%の幾何学平均損失が減少する。
- 参考スコア(独自算出の注目度): 22.836214343809903
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated configuration of mixed-integer programming (MIP) solvers largely relies on black-box optimization. Each trial requires an expensive solver run and provides only a scalar outcome, so tuning can require many such evaluations. Human experts take a different approach. They inspect solver logs, identify performance bottlenecks, and adjust the parameters that address them. We propose Log-Driven Semantic Tuning (LDST), which uses a large language model (LLM) to automate this process. LDST extracts compact diagnostics from solver logs, uses the LLM to propose sparse edits to the current best configuration based on parameter meanings and observed solver behavior, and validates each proposal before execution. A regime-adaptive objective selects the tuning signal according to the information available from a time-limited run, while a log-based completion signal estimates completion time from branch-and-bound tree growth recorded in ordinary solver logs, so that solved and unsolved runs share one time scale. On 215 instances from five benchmark sets, LDST reduces geometric-mean loss by 43.9% on easy instances and 16.7% on intermediate instances relative to the best of SMAC3, RBFOpt, and random search. In both regimes, LDST achieves a lower loss with 10 proposals than any of these baselines achieves with 50. Configurations that LDST tunes on a single instance also transfer better than baseline configurations to unseen instances of the same family.
- Abstract(参考訳): 混合整数計画法(MIP)の自動構成はブラックボックス最適化に大きく依存している。
それぞれのトライアルは高価なソルバの実行を必要とし、スカラーな結果のみを提供するため、チューニングにはこのような多くの評価が必要になる。
人間の専門家は別のアプローチを取る。
彼らはソルバログを検査し、パフォーマンスボトルネックを特定し、それに対応するパラメータを調整する。
このプロセスを自動化するために,大規模言語モデル (LLM) を用いたログ駆動型セマンティックチューニング (LDST) を提案する。
LDSTは、ソルバログからコンパクトな診断を抽出し、LCMを使用して、パラメータの意味と観察されたソルバの振る舞いに基づいて、現在の最高の構成にスパース編集を提案し、実行前に各提案を検証する。
ログベースの完了信号は、通常のソルバログに記録された分枝木の成長から完了時間を推定するので、解決および未解決のランが1時間スケールで共有される。
5つのベンチマークセットから215のインスタンスにおいて、LDSTはSMAC3、RBFOpt、ランダム検索と比較して、容易なインスタンスでは43.9%、中間インスタンスでは16.7%の幾何学平均損失を減少させる。
両政権とも、LDSTは、これらのベースラインのどれよりも10の提案で50よりも低い損失を達成している。
LDSTが単一インスタンスでチューニングする構成は、ベースライン構成よりも、同じファミリーの未確認インスタンスに転送される。
関連論文リスト
- LLM-Guided Graph Generation for Structure-Based Local Improvement Methods [24.49624814434787]
我々はMiniZincフォーマットのすべての問題に問題のない自動パイプラインを構築する。
我々は,このパイプラインが1ショットのグロビベースラインに対して平均39.6%の問題解決率を達成することを示す。
論文 参考訳(メタデータ) (2026-08-13T15:01:03Z) - Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。
State-of-the-art merging method formulate merging as a layer-wise interference problem。
本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
論文 参考訳(メタデータ) (2026-06-05T14:00:47Z) - Formalize, Don't Optimize: The Heuristic Trap in LLM-Generated Combinatorial Solvers [52.23061619664667]
大規模言語モデル(LLM)は直接推論によって複雑な問題を解くのに苦慮しているため、近年のニューロシンボリックシステムは、それを実行可能な解法を合成するためにますます利用している。
我々は,100の問題をベンチマークしたCP-SynC-XL(4,577インスタンス)を導入し,ネイティブアルゴリズム検索(Python),PythonソルバAPI(Python + OR-Tools)による制約モデリング,宣言的制約モデリングという3つのコンストラクションパラダイムを評価した。
論文 参考訳(メタデータ) (2026-05-12T17:15:45Z) - Execution-Verified Reinforcement Learning for Optimization Modeling [49.171122807323634]
実行検証学習フレームワークは、数学的プログラミング解法を決定論的で対話的な検証器として扱う。
NL4OPT, MAMO, IndustryOR, OptiBenchをグロビ, OR-Tools, COPTで行った実験では, EVOMがプロセス管理SFTに適合または優れていた。
論文 参考訳(メタデータ) (2026-04-01T03:39:11Z) - Para-B&B: Load-Balanced Deterministic Parallelization of Solving MIP [50.917107318582715]
MIP(Mixed-integer Programming)は、連続型と整数型の両方の決定変数を組み込むことで線形プログラミングを拡張する。
本稿では,高性能MIPソルバであるHiGHSに対して,決定論的並列分岐結合の完全なオープンソース実装を初めて提案する。
本手法では,ワーカスレッド間で完全なソルバ状態を複製することにより,厳密な決定性を保証する新しいデータ並列アーキテクチャを提案する。
論文 参考訳(メタデータ) (2026-02-10T14:17:53Z) - What If We Allocate Test-Time Compute Adaptively? [2.1713977971908944]
テストタイムスケーリングは、推論計算を均一に割り当て、固定されたサンプリング戦略を使用し、再ランク付けにのみ検証を適用する。
本稿では,推論を反復的軌跡生成と選択として扱う検証器誘導適応フレームワークを提案する。
データセット全体にわたって、当社の動的PRMガイダンスアプローチは、テスト時間の直接スケーリングよりも一貫して優れています。
論文 参考訳(メタデータ) (2026-02-01T07:30:22Z) - ATTS: Asynchronous Test-Time Scaling via Conformal Prediction [112.54016379556073]
大規模な言語モデル(LLM)は、テスト時のスケーリングの恩恵を受けるが、しばしば高い推論遅延によって妨げられる。
統計的に保証された適応スケーリングフレームワークであるATTS(Asynchronous Test-Time Scaling)を紹介する。
ATTSは、テストタイムのスケーリングにおいて最大56.7倍のスピードアップと4.14倍のスループット向上を実現している。
論文 参考訳(メタデータ) (2025-09-18T16:55:09Z) - DP-LLM: Runtime Model Adaptation with Dynamic Layer-wise Precision Assignment [4.881985877863507]
DP-LLMは入力値に基づいて各層に動的に精度を割り当てる機構である。
DP-LLMは,従来の手法よりも優れた性能・遅延トレードオフを実現することを示す。
論文 参考訳(メタデータ) (2025-08-08T05:57:04Z) - Scaling LLM Inference with Optimized Sample Compute Allocation [56.524278187351925]
我々は、異なる推論構成の最適な混合を見つけるアルゴリズムであるOSCAを提案する。
実験の結果,学習した混合アロケーションでは,最高の単一構成よりも精度がよいことがわかった。
OSCAはシングルターンタスク以外のエージェント処理にも有効であることが示されており、デフォルト設定よりも3倍少ない計算でSWE-Benchの精度が向上している。
論文 参考訳(メタデータ) (2024-10-29T19:17:55Z)
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。