用于组合问题的自指探索
人工智能
2024-05-29 v1
摘要
大型语言模型 (LLM) 已成为解决跨多个领域的推理任务（包括算术、常识和符号推理）的关键工具。它们利用诸如 Exploration-of-Thought、Decomposition 和 Refinement 等提示技术，有效地导航和解决复杂任务。尽管有着这些进步，将 LLM 应用于组合问题 (CP)，这些问题因其 NP-hard 性质和在物流和资源管理中的关键作用，仍未得到充分探索。为弥合这一差距，我们引入一种新颖的提示策略：自指探索 (SGE)，旨在增强解决 CP 的性能。SGE 自主为每个 CP 任务生成多个思考轨迹，然后将这些轨迹分解为可操作的子任务，依次执行并优化结果以确保最佳结果。我们将研究作为将 LLM 应用于广泛 CP 范围的首次工作，展示了 SGE 在 CP 优化性能上超过现有提示策略 27.84%，在其他推理任务（算术、常识和符号）中取得的最佳结果基础上实现了 2.46% 的更高准确率。
引用
@article{arxiv.2405.17950,
title = {Self-Guiding Exploration for Combinatorial Problems},
author = {Zangir Iklassov and Yali Du and Farkhad Akimov and Martin Takac},
journal= {arXiv preprint arXiv:2405.17950},
year = {2024}
}
备注
22 pages