Towards Explainable Evolution Strategies with Large Language Models

要約

このペーパーでは、自己適応進化戦略 (ES) と大規模言語モデル (LLM) を統合して、複雑な最適化プロセスの説明可能性を高めるアプローチを紹介します。
再起動メカニズムを備えた自己適応型 ES を採用することで、ベンチマーク関数の困難な状況を効果的にナビゲートし、フィットネスの進化、ステップサイズの調整、停滞による再起動イベントなどの最適化の過程の詳細なログをキャプチャします。
次に、LLM を利用してこれらのログを処理し、収束動作、最適なフィットネスの達成、局所最適化との遭遇などの重要な側面を強調する簡潔で使いやすい概要を生成します。
Rastrigin 関数に関するケーススタディは、私たちのアプローチが ES 最適化の複雑さをどのように透明化し、アクセスしやすくするかを示しています。
私たちの調査結果は、LLM を使用して高度な最適化アルゴリズムとその解釈可能性の間のギャップを埋める可能性を強調しています。

要約(オリジナル)

This paper introduces an approach that integrates self-adaptive Evolution Strategies (ES) with Large Language Models (LLMs) to enhance the explainability of complex optimization processes. By employing a self-adaptive ES equipped with a restart mechanism, we effectively navigate the challenging landscapes of benchmark functions, capturing detailed logs of the optimization journey, including fitness evolution, step-size adjustments, and restart events due to stagnation. An LLM is then utilized to process these logs, generating concise, user-friendly summaries that highlight key aspects such as convergence behavior, optimal fitness achievements, and encounters with local optima. Our case study on the Rastrigin function demonstrates how our approach makes the complexities of ES optimization transparent and accessible. Our findings highlight the potential of using LLMs to bridge the gap between advanced optimization algorithms and their interpretability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google