論文の概要: AutoManifold: Agentic Design of Data Visualisation Algorithms via Manifold Embedding
- arxiv url: http://arxiv.org/abs/2611.13710v2
- Date: Fri, 13 Nov 2026 09:48:51 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:31:44.693035
- Title: AutoManifold: Agentic Design of Data Visualisation Algorithms via Manifold Embedding
- Title(参考訳): AutoManifold: Manifold Embeddingによるデータ可視化アルゴリズムのエージェント設計
- Abstract要約: 本稿では,エージェントアルゴリズム生成パイプラインAutoManifoldを紹介する。
これは、親和性、コスト、最適化プリミティブの制約付き語彙から新しい多様体埋め込みアルゴリズムを構成する。
生成したアルゴリズムを3つの最強かつ最も頻繁に使用されるSOTA手法と比較する。
- 参考スコア(独自算出の注目度): 7.12054720599824
- License:
- Abstract: Manifold embedding for data visualisation is dominated by a small set of hand-designed state-of-the-art (SOTA) algorithms. Their design targets are fixed at development time, resulting in inflexible algorithmic behaviour that cannot be readily steered towards user-specified structural priorities. Hand-designing new embedding algorithms to address user priority requires highly specialised expertise and is time consuming. To address autonomous algorithm design tailored to user preference, we introduce an agentic algorithm generation pipeline AutoManifold. It composes new manifold embedding algorithms from a constrained vocabulary of affinity, cost, and optimisation primitives, supported by multi-agent large-language-model (LLM) orchestration. AutoManifold conditions every stage of its design on user-specified structural preservation preferences, and iteratively refines the algorithm configuration through an LLM-guided, metric-grounded iterative loop. We compare the generated algorithms against the three strongest and most frequently used SOTA methods (t-SNE, UMAP, and PaCMAP) on real-world datasets spanning different difficulty regimes under identical evaluation infrastructure. The results demonstrate that LLM-driven, priority-conditioned algorithm synthesis can move beyond hyperparameter tuning, producing genuinely new algorithms that outperform traditional hand-designed methods in their ability to steer towards user-specified properties without compromising the intrinsic structure in the original data. The code of AutoManifold is available at https://github.com/buraksusam/AutoManifold_NeurIPS2026.
- Abstract(参考訳): データビジュアライゼーションのためのマニフォールド埋め込みは、手作りの最先端(SOTA)アルゴリズムの小さなセットによって支配されている。
それらの設計ターゲットは開発時に固定され、結果として、ユーザが指定した構造的優先順位に対して容易に制御できない、柔軟性のないアルゴリズム的振る舞いをもたらす。
ユーザの優先順位に対処する新しい埋め込みアルゴリズムを手作業で設計するには、高度に専門的な専門知識が必要で、時間を要する。
ユーザの好みに合わせた自律アルゴリズム設計に対処するために,エージェントアルゴリズム生成パイプラインAutoManifoldを導入する。
マルチエージェントな大言語モデル(LLM)オーケストレーションをサポートする、親和性、コスト、最適化プリミティブの制約付き語彙から、新しい多様体埋め込みアルゴリズムを構成する。
AutoManifoldはその設計のすべての段階において、ユーザが指定した構造保存の好みに基づいて条件を定め、LLM誘導のメカニカルグラウンドの反復ループを通じてアルゴリズム構成を反復的に洗練する。
我々は, 同一評価基盤下での難易度が異なる実世界のデータセット上で, 最強かつ頻繁に使用される3つのSOTA手法(t-SNE, UMAP, PaCMAP)と比較した。
その結果、LLM駆動の優先度条件付きアルゴリズム合成は、ハイパーパラメータチューニングを超越し、本来のデータに固有の構造を損なうことなく、ユーザ指定プロパティに対するステアリング能力において、従来の手設計手法よりも優れた真に新しいアルゴリズムを創出できることが示されている。
AutoManifoldのコードはhttps://github.com/buraksusam/AutoManifold_NeurIPS2026で公開されている。
関連論文リスト
- Semantics-Aware Bilevel Co-Evolution: Towards Automated Multicomponent Algorithm Design [34.28112311806716]
LLM支援進化探索(LES)は,自動アルゴリズム設計において有望なパラダイムとして登場した。
本稿では,自動多成分アルゴリズム設計のためのLES方式STABLEを提案する。
論文 参考訳(メタデータ) (2026-06-29T08:28:23Z) - FrontierOR: Benchmarking LLMs' Capacity for Efficient Algorithm Design in Large-Scale Optimization [61.43300970020897]
大規模言語モデル(LLM)は、最適化モデリングとソルバコード生成にますます使われている。
既存のベンチマークは、実際のスケールと複雑さよりもはるかに低い、小さな、あるいは単純化された例に限られている。
現実的な大規模最適化問題に対して,LLMに基づく効率的なアルゴリズム設計を評価するための最初のベンチマークとしてFrontierORを紹介した。
論文 参考訳(メタデータ) (2026-05-24T20:10:42Z) - A2DEPT: Large Language Model-Driven Automated Algorithm Design via Evolutionary Program Trees [8.49373236378493]
大規模言語モデル(LLM)に基づく自動ヒューリスティックデザイン(AHD)は、人間の介入を最小限に抑えて、自律的にコンポーネントを生成することを約束している。
剛性テンプレートを超えたオープンエンドソルバを実現するために,A2DEPT(Automated Evolutionary Program Trees)を提案する。
A2DEPTは、ハイブリッド選択と階層演算子による木構造進化探索を通じて広大なプログラム空間を探索し、完全なアルゴリズムを反復的に洗練することができる。
論文 参考訳(メタデータ) (2026-04-27T05:07:10Z) - 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) - From Performance to Understanding: A Vision for Explainable Automated Algorithm Design [2.780126715305372]
この記事では、次のブレークスルーは、さらなる自動化ではなく、理解と自動化の結合によるものだ、と論じる。
3つの柱上に構築された説明可能な自動アルゴリズム設計のビジョンを概説する。
これらの要素は、発見、説明、一般化が互いに強化される閉知識ループを形成する。
論文 参考訳(メタデータ) (2025-11-20T10:08:40Z) - Experience-Guided Reflective Co-Evolution of Prompts and Heuristics for Automatic Algorithm Design [124.54166764570972]
組合せ最適化問題は伝統的に手作りのアルゴリズムで取り組まれている。
最近の進歩は、大規模言語モデルによる自動設計の可能性を強調している。
本稿では,自動アルゴリズム設計のためのPmpt and Heuristics (EvoPH) を用いた経験進化的リフレクティブ・ガイドを提案する。
論文 参考訳(メタデータ) (2025-09-29T09:24:09Z) - AutoOpt: A General Framework for Automatically Designing Metaheuristic Optimization Algorithms with Diverse Structures [22.624811044236516]
本稿では,多様な構造を持つメタヒューリスティックアルゴリズムを自動設計するための汎用フレームワークAutoOptを提案する。
メタヒューリスティックファミリーをできるだけ広くカバーするアルゴリズムの一般的なプロトタイプ。
提案したプロトタイプに適合する有向非巡回グラフアルゴリズムの表現。
操作対象のグラフの代替コンパクト形式を提供するグラフ表現埋め込み方法。
論文 参考訳(メタデータ) (2022-04-03T05:31:56Z) - FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity
to Non-IID Data [59.50904660420082]
フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。
クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
論文 参考訳(メタデータ) (2020-05-22T23:07:42Z)
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。