論文の概要: Can Large Language Models Optimize Pretrained Neural Network Weights? A Multi-Phase Empirical Evaluation of Gradient-Free Editing in YOLO26 Object Detection
- arxiv url: http://arxiv.org/abs/2611.17789v1
- Date: Fri, 13 Nov 2026 06:05:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.31442
- Title: Can Large Language Models Optimize Pretrained Neural Network Weights? A Multi-Phase Empirical Evaluation of Gradient-Free Editing in YOLO26 Object Detection
- Title(参考訳): 大言語モデルは事前学習されたニューラルネットワーク重量を最適化できるか? YOLO26オブジェクト検出におけるグラディエントフリー編集の多相実証評価
- Abstract要約: 直接重量補正は、微調整された事前訓練検出器に代わる勾配のない代替手段を提供する。
YOLO26モデルとMS COCOを用いた5つの実験相の評価を行った。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Direct weight editing offers a gradient-free alternative to fine-tuning pretrained detectors, but its generalization and the value of large language model (LLM) guidance remain uncertain. We evaluate five experimental phases using YOLO26 models and MS COCO, comparing deterministic scaling, random perturbations, differential evolution, CMA-ES, structured interventions, real local-LLM proposals, failure-aware guidance, and hybrid LLM-CMA-ES against a matched random-policy control. Optimization uses native Ultralytics mAP50-95 on 1,000 COCO Val2017 images; selected candidates are assessed on a disjoint, previously examined 1,500-image subset, with COCO API AP50-95 reported separately where available. Increasing the CMA-ES budget from 8 to 250 evaluations raised development gains from +0.11 to +0.28 percentage points, while selection changes remained negative (-0.03 to -0.12 points); the 250-evaluation result uses one seed. The hybrid LLM approach showed no statistically established advantage over random-policy guidance (p = 0.612, 0.369, and 0.694 at budgets 8, 25, and 50). Five-seed YOLO26m replication yielded a COCO API AP difference of +0.004 points (95% CI: -0.026 to +0.034). Of 225 archived LLM proposals, 53 satisfy the final strict schema; early tensor-level execution cannot be fully verified. Genuine LLM-mediated weight editing is feasible, but the tested approaches did not demonstrate consistent transfer beyond the development subset or a measurable LLM advantage.
- Abstract(参考訳): 直接重み編集は、微調整事前学習検出器に代わる勾配のない代替手段を提供するが、その一般化と大規模言語モデル(LLM)のガイダンスの価値は未だ不明である。
我々は, YOLO26モデルとMS COCOを用いて, 決定論的スケーリング, ランダム摂動, 微分進化, CMA-ES, 構造化介入, 実局所LLM提案, 障害対応ガイダンス, および一致したランダム政治制御に対するLLM-CMA-ESを比較検討した。
最適化では1,000のCOCO Val2017イメージに対してネイティブのUltralytics mAP50-95を使用する。
CMA-ESの予算を8点から250点に増やすと、開発利益は+0.11点から+0.28点に増加し、選択変更は陰性(-0.03点から-0.12点)であり、250点の評価結果は1種を使用した。
ハイブリッド LLM アプローチは, ランダム・ポリティクス・ガイダンス (p = 0.612, 0.369, 0.694, 予算8, 25, 50) に対して統計的に有利であった。
5シードのYOLO26mレプリケーションにより、COCO API AP差は+0.004ポイント(95% CI:-0.026〜+0.034)となった。
225のアーカイブされたLLM提案のうち、53は最終的な厳密なスキーマを満たす。
Genuine LLM-mediated weight editing is beactible, the test approach was not demonstrated consistent transfer beyond the development subset or an Measurable LLM advantage。
関連論文リスト
- MOTIF: LLM-Defined Material Taxonomies for OOD Property Prediction via Invariant Feature Selection [7.969114870527627]
アウト・オブ・ディストリビューション(OOD)の一般化は、材料特性予測において依然として中心的な課題である。
大規模言語モデル(LLM)を利用して,物質を化学的に意味のある環境に分割するフレームワークMOTIFを提案する。
論文 参考訳(メタデータ) (2026-11-09T04:06:27Z) - CADS: Measuring the Incremental Contribution of LLM Proposers in Sequential Biological Screens [11.933423285201899]
本稿では,同一のLLMループに対して提案者の漸進値を定量化する誤差制御計測フレームワークを提案する。
DepMapが支援するシミュレーションでは、CADSは2つの評価成果物を公開している。
初期の20種の種子では、テスト候補の履歴をQwen2.5-7Bに供給し、純寄与は+0.35に、95%の間隔で0を覆い、+2.90にシフトする。
論文 参考訳(メタデータ) (2026-10-17T10:02:32Z) - CÆNL: Collapse-Based Active Neural Learning with Objective-Aligned Representation Control [2.28438857884398]
アクティブラーニングは、後続のラベルを取得するために使われる表現を変更する。
我々は、この相互作用をCNL(Collapse-Based Active Neural Learning)を通して研究し、獲得、動的崩壊規則化(Dynamic Collapse Regularization、DCR)とその係数ポリシーを分離する。
6シードの分類比較は2つのバックボーンのそれぞれに対して、別個の制御選択と10シードの評価による104ランの試験によって補完される。
論文 参考訳(メタデータ) (2026-10-13T00:12:58Z) - An Agentic AI Framework Overcomes Fundamental Limitations of Large Language Models for Glaucoma Detection from Fundus Photography [1.3023698730561286]
大きな言語モデル(LLM)は、医学的画像解釈において有望であるが、幻覚、限られた精度、実行間不整合に悩まされている。
我々は、眼底写真から緑内障を検出するための特殊なディープラーニングツールとLLMを統合したエージェントAIフレームワークを開発し、検証した。
論文 参考訳(メタデータ) (2026-08-07T17:33:12Z) - LeNEPA: No-Augmentation Next-Latent Prediction for Time-Series Representation Learning [59.34593956287438]
我々は,事前学習信号ファミリーが変化した後,メソッド固有の構成が再利用されない場合にSSLレシピがどのように振る舞うかを検討する。
我々は遅延ユークリッド次世代予測アーキテクチャ(LeNEPA)を紹介する。
LeNEPAは、バニラNEPAが使用する停止段階/EMA安定化をSIGRegベースのイソトロピー正則化に置き換える。
論文 参考訳(メタデータ) (2026-07-01T13:56:21Z) - EvoPref: Multi-Objective Evolutionary Optimization Discovers Diverse LLM Alignments Beyond Gradient Descent [13.891522069967507]
本稿では,多目的進化アルゴリズムであるEvoPrefを紹介する。
我々の主な貢献は、集団に基づく手法が降下よりもはるかに多様なアライメントを発見できることを示すことである。
論文 参考訳(メタデータ) (2026-05-10T21:50:04Z) - Rethinking LLM Evaluation: Can We Evaluate LLMs with 200x Less Data? [82.09573568241724]
EssenceBenchは反復遺伝的アルゴリズム(GA)を利用した粗粒度フレームワーク
提案手法は, 再構成誤差が低く, 効率が著しく向上した, 優れた圧縮結果が得られる。
HellaSwagベンチマーク(10Kサンプル)では,25倍少ないサンプルを用いて,全モデルが5%以内の順位を保ち,わずか200倍少ないサンプルを用いて,95%未満のランキング保持シフトを達成している。
論文 参考訳(メタデータ) (2025-10-12T05:38:10Z) - EACO: Enhancing Alignment in Multimodal LLMs via Critical Observation [58.546205554954454]
臨界観測(EACO)によるMLLMのアライメント向上を提案する。
EACOは、経済的に5k画像のみを使用して、MLLMを自己生成の選好データで整列する。
EACOは幻覚全体の65.6%をHalusionBenchで減らし、MME-Cognitionで21.8%改善する。
論文 参考訳(メタデータ) (2024-12-06T09:59:47Z) - Adaptation with Self-Evaluation to Improve Selective Prediction in LLMs [56.526095828316386]
大規模言語モデル(LLM)の選択予測性能を改善するために,自己評価による適応のための新しいフレームワークを提案する。
提案手法は,様々な質問応答(QA)データセット上で評価し,最先端の選択的予測手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-10-18T03:34:59Z)
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。