論文の概要: Agentic Computational Algebra
- arxiv url: http://arxiv.org/abs/2611.16073v1
- Date: Wed, 11 Nov 2026 22:32:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.285793
- Title: Agentic Computational Algebra
- Title(参考訳): エージェント計算代数
- Abstract要約: 代数学における計算問題に対するAIエージェントの利用について検討する。
一般的なアルゴリズムは正しい解決策を提供することが保証されているが、違法に遅くなる可能性がある。
本稿では,タスク内およびタスク間の構造を効果的に発見・活用し,計算コストの低減を図ることを提案する。
- 参考スコア(独自算出の注目度): 40.403636621516256
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We explore the use of AI agents for solving computational problems in algebra. For the problems we consider, the main challenge is not correctness but \emph{time}: general-purpose algorithms are guaranteed to provide correct solutions but can be prohibitively slow, while reformulations that exploit special structure often allow solving a problem much faster. We propose to use this setting to evaluate how effectively agents discover and exploit structure within and across tasks to reduce computational costs. More broadly, computational algebra supplies infinitely many problems with independently verifiable answers and systematically controllable structure and difficulty. To illustrate these possibilities, we use benchmark families of systems with controlled shared structure and evaluate agents in three settings: solving independent instances, solving online streams of related instances using persistent memory, and compiling a fast reusable solver for a known problem family. Our experiments show that (i) agents can extend the range of systems solvable within a fixed budget, although reasoning overhead can sometimes outweigh computational savings; (ii) memory can reduce the cost of repeated solving but may preserve suboptimal strategies; (iii) compilation produces faster reusable solvers but at substantial upfront cost. Overall, computational algebra offers concrete, measurable targets for improving how agents discover and reuse structure.
- Abstract(参考訳): 代数学における計算問題に対するAIエージェントの利用について検討する。
汎用アルゴリズムは正しい解を提供することが保証されているが、禁止的に遅くなる可能性がある。一方、特別な構造を利用する改革では、問題をより高速に解けることが多い。
この設定を用いて,タスク内およびタスク間の構造を効果的に発見・活用し,計算コストを低減することを提案する。
より広範に、計算代数は、独立に検証可能な答えと体系的に制御可能な構造と難易度を持つ無限に多くの問題を供給する。
これらの可能性を説明するために、制御された共有構造を持つシステムのベンチマークファミリを使用し、エージェントを3つの設定で評価する。
私たちの実験は
i) エージェントは、一定予算内で解決可能なシステムの範囲を拡大することができるが、オーバヘッドは、時には計算上の貯蓄を上回ることがある。
二 メモリは、繰り返し解決のコストを削減することができるが、最適以下の戦略を維持することができる。
三 コンピレーションは、より高速に再利用可能なソルバを生産するが、かなりの事前費用がかかる。
全体として、計算代数学は、エージェントが構造を発見して再利用する方法を改善するための具体的で測定可能な目標を提供する。
関連論文リスト
- The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows [72.9051182568928]
推論駆動最適化のための統合フレームワークであるReASearchを提案する。
共有エージェントループとドメイン固有のツールにより、ReASearchは、プロンプト、プログラム、MLを最適化するために、まったく同じスキャフォールドをインスタンス化する。
我々は,複雑な探索行動がエージェントの推論プロセスから自然に現れることを観察する。
論文 参考訳(メタデータ) (2026-08-07T02:15:39Z) - Makespan Minimization in Split Learning: From Theory to Practice [19.128619079473413]
分割学習は、異種IoTデバイスを用いた分散機械学習のソリューションである。
支援者によるクライアント・ヘルパーの割り当てとタスクのスケジュールを共同で設計することで、トレーニング時間を最小化する方法を示す。
論文 参考訳(メタデータ) (2026-02-06T13:22:44Z) - Learning the Boundary of Solvability: Aligning LLMs to Detect Unsolvable Problems [51.62477754641947]
本研究では,実現可能な問題を解き,固有の矛盾を検知し,能力を超えたタスクを慎重に拒否するUnsolvableQAとUnsolvableRLを提案する。
具体的には、双トラック手法を用いて導出される、ペアで解決可能かつ解決不可能なインスタンスのデータセットであるUnsolvableQAを構築する。
このデータセット上に構築されたUnsolvableRLは,精度,未解決性,難易度を考慮した3つの報酬成分を備えた強化学習フレームワークである。
論文 参考訳(メタデータ) (2025-12-01T13:32:59Z) - Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。
このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。
我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
論文 参考訳(メタデータ) (2025-10-07T17:49:24Z) - Multi Agent Reinforcement Learning for Sequential Satellite Assignment Problems [5.896440476510869]
割り当て問題は、エージェントのグループをタスクのグループに割り当てる古典的な最適化問題である。
衛星、電力網、移動ロボットスケジューリングといった現代の多くの応用において、割り当て問題は時間とともに展開される。
この問題にマルチエージェント強化学習を適用し、既知のRL時間グリージーソルバからのブートストラップによる代入値の学習を行う。
我々は,本アルゴリズムが理論的に正当化され,他のアルゴリズムが経験した落とし穴を回避することを実証した。
論文 参考訳(メタデータ) (2024-12-20T05:10:34Z) - DNCs Require More Planning Steps [7.837209773889032]
暗黙的アルゴリズム解法の一般化に対する計算時間とメモリの影響について検討する。
計画予算が学習アルゴリズムの挙動を劇的に変える方法を示す。
論文 参考訳(メタデータ) (2024-06-04T10:31:03Z) - Accelerating Recursive Partition-Based Causal Structure Learning [4.357523892518871]
帰納的因果探索アルゴリズムは、より小さなサブプロブレムで条件独立性テスト(CI)を用いて良い結果をもたらす。
本稿では,少数のCIテストと望ましくない関係を特定できる汎用因果構造改善戦略を提案する。
次に,合成および実データ集合における解の質と完了時間の観点から,最先端アルゴリズムに対する性能を実証的に評価する。
論文 参考訳(メタデータ) (2021-02-23T08:28:55Z) - Constrained Multiagent Rollout and Multidimensional Assignment with the
Auction Algorithm [0.0]
本稿では,制約付き決定論的動的プログラミングに適用可能なロールアウトアルゴリズムの拡張について考察する。
提案手法では,ベースが実現可能な解を生成する場合,ロールアウトアルゴリズムはコスト改善特性を有することを示す。
コスト改善特性は計算要求を大幅に削減した代替実装で維持されていることを示す。
論文 参考訳(メタデータ) (2020-02-18T07:09:06Z)
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。