2025年9月26日 – arXiv最新論文の紹介

A Systematic Survey on Large Language Models for Evolutionary Optimization: From Modeling to Solving

A Systematic Survey on Large Language Models for Evolutionary Optimization: From Modeling to Solving [26.5]
大規模言語モデル(LLM)は、最適化問題に対処するためにますます研究されている。急速な進歩にもかかわらず、この分野は依然として統一的な合成と体系的な分類を欠いている。この調査は、最近の開発を包括的にレビューし、構造化されたフレームワーク内でそれらを整理することで、このギャップに対処する。
論文参考訳（メタデータ） (Wed, 10 Sep 2025 04:05:54 GMT)
最適化問題に対するLLM活用のサーベイ
リポジトリはGitHub – ishmael233/LLM4OPT: A collection of LLMs for optimization, including modeling and solving

InfoGain-RAG: Boosting Retrieval-Augmented Generation via Document Information Gain-based Reranking and Filtering [17.3]
Retrieval-Augmented Generation (RAG) は,Large Language Models (LLMs) の重要な限界に対処する,有望なアプローチとして登場した。本稿では,検索した文書のコントリビューションを定量化し,回答生成の精度を高めるために,文書情報ゲイン(Document Information Gain, DIG)を提案する。本稿では,DIGスコアを利用した特殊リランカの学習フレームワークInfoGain-RAGを紹介する。
論文参考訳（メタデータ） (Tue, 16 Sep 2025 07:28:07 GMT)
「We introduce a novel metric called Document Information Gain (DIG), to quantify each retrieved document’s impact on the LLM’s generation confidence.」というメトリックの提案。rerankerとしての有効性を確認。

Text2Mem: A Unified Memory Operation Language for Memory Operating System [33.0]
モデルエージェントのための統一メモリ操作言語であるText2Memを紹介する。 Text2Memは、自然な正確性を保証するための標準化されたパスを提供する。
論文参考訳（メタデータ） (Sun, 14 Sep 2025 07:30:09 GMT)
「We propose Text2Mem, the first unified memory operation language for LLM-based agents. It defines a compact but expressive set of twelve operations, spanning encoding, storage, and retrieval, with clear semantic boundaries and support for higher-order controls.」とAgentic処理を前提としたメモリフレームワーク。
リポジトリはGitHub – MemTensor/text2mem