2026年01月30日
## 要約：
本研究では、LLMを活用したヒューリスティック設計（LHD）の課題である、終点評価のみに基づく品質評価と、分布の変化に合わせた再適応コストの高さに対処するため、新たなフレームワーク「DASH」を提案します。DASHは、収束過程を考慮した評価指標に基づき、探索メカニズムと実行スケジュールを同時に最適化し、効率性と高品質なソルバーを生成します。また、プロファイリングされたライブラリ検索機能により、再適応コストを大幅に削減します。
---
## 翻訳：
arXiv:2601.20868v1 Announce Type: new
Abstract: 大規模言語モデル（LLM）は、自動ヒューリスティック生成を通じて組合せ最適化の分野を大きく進歩させてきました。従来の手動設計に頼るのではなく、このLLM駆動ヒューリスティック設計（LHD）プロセスは、LLMを活用してソルバーを反復的に生成・改良し、高い性能を達成します。しかし、既存のLHDフレームワークは2つの重要な制限に直面しています。（1）終点評価のみに基づく評価、これはソルバーを最終的な品質のみでランク付けし、収束プロセスと実行時間効率を無視するものです。（2）高い適応コスト、これは分布の変化によって新たなインスタンスグループに対応するために、ソルバーを再適応する必要があるものです。これらの問題に対処するために、本研究では収束を考慮した評価指標に基づいてソルバー探索メカニズムと実行スケジュールを同時に最適化することで、効率的かつ高性能なソルバーを特定するフレームワーク「Dynamics-Aware Solver Heuristics（DASH）」を提案します。さらに、高価な再適応を緩和するために、DASHはプロファイリングされたライブラリ検索（PLR）を取り入れています。PLRは、進化プロセスと並行して専門的なソルバーを効率的にアーカイブし、異質な分布に対する費用対効果の高いウォームスタートを可能にします。4つの組合せ最適化問題に関する実験により、DASHは実行時間効率を3倍以上向上させながら、さまざまな問題スケールにわたって最先端のベースラインを上回るソリューション品質を達成できることを示しました。さらに、プロファイルベースのウォームスタートを可能にすることで、DASHは異なる分布下で優れた精度を維持しながら、LLM適応コストを90%以上削減します。
[📰 原文はこちら](https://arxiv.org/abs/2601.20868)
---
※本記事はAI（Ollama）による自動翻訳・要約です。
BittensorManがお勧めするメーカーリスト
https://exbridge.jp/xdirect/
AI時代の技術と知識のまとめ(AI生成メディア) - AIDexx
https://exbridge.jp/aidexx/
頑張って働く人に向けて、プロ用仕事アイテムを格安でネット販売しているX-Direct（ https://exdirect.net ）を、BittensorManは応援しています。
動画の最後にお得な情報がありますので、
最後までご覧ください。
