コールドスタート切断面分離器構成のためのLLM
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2412.12038v2発表タイプ：置換
要約：混合整数線形計画法(MILP)ソルバーは、性能に大きな影響を与える数百ものパラメータを公開していますが、専門家以外にとっては設定が困難です。既存の機械学習(ML)アプローチは、数千もの関連インスタンスでのトレーニングが必要であり、汎化性能が低く、既存のソルバーワークフローへの統合が困難な場合があります。本稿では、問題記述とソルバー固有の分離平面サマリーを用いて、カット平面分離器を設定する大規模言語モデル(LLM)ベースのフレームワークを提案します。LLM出力のばらつきを軽減するために、候補設定をクラスタリングして集約し、少数の高性能な設定ポートフォリオを作成するアンサンブル戦略を導入します。本手法はカスタムソルバーインターフェースを必要とせず、簡単なAPI呼び出しによって数秒で設定を生成し、少数のインスタンスのみを解く必要があります。標準的な合成MILPと現実世界のMILPに関する広範な実験により、本アプローチは、データと計算量のほんの一部で、最先端の設定手法と同等以上の性能を示すことが分かりました。
原文（英語）を表示
Title (EN): LLMs for Cold-Start Cutting Plane Separator Configuration
arXiv:2412.12038v2 Announce Type: replace
Abstract: Mixed integer linear programming (MILP) solvers expose hundreds of parameters that have an outsized impact on performance but are difficult to configure for all but expert users. Existing machine learning (ML) approaches require training on thousands of related instances, generalize poorly and can be difficult to integrate into existing solver workflows. We propose a large language model (LLM)-based framework that configures cutting plane separators using problem descriptions and solver-specific separator summaries. To reduce variance in LLM outputs, we introduce an ensembling strategy that clusters and aggregates candidate configurations into a small portfolio of high-performing configurations. Our method requires no custom solver interface, generates configurations in seconds via simple API calls, and requires solving only a small number of instances. Extensive experiments on standard synthetic and real-world MILPs show our approach matches or outperforms state-of-the-art configuration methods with a fraction of the data and computation.
Published: 2025-09-24 19:00 UTC