研究人员开发了一个名为进化多任务优化（EMO）的新框架，用于由大型语言模型（LLM）引导的程序发现。EMO-STA方法首先在相关任务之间进化程序的共享存档，然后将其适应于特定的目标任务。这种方法在将知识转移到未见过的任务和减轻数据有限情况下的过拟合方面，显示出优于单任务进化的改进。 AI
影响 引入了一种使用LLM和进化算法提高程序发现效率和泛化能力的新颖方法。
排序理由 该集群包含一篇详细介绍程序发现新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.22613v1 Announce Type: new Abstract: Recent LLM-guided evolutionary search methods have shown that iterative program mutation can discover strong algorithms, but they typically optimize each task independently, even when related tasks share reusable structure. We intro…
Recent LLM-guided evolutionary search methods have shown that iterative program mutation can discover strong algorithms, but they typically optimize each task independently, even when related tasks share reusable structure. We introduce Evolutionary Multi-Task Optimization (EMO) …