GEAKG：生成的実行可能アルゴリズム知識グラフ

要旨: 問題解決のためのアルゴリズムに関する文脈では、手続き的知識――アルゴリズム設計とオペレータの合成に関するノウハウ――はコードの中に暗黙的に埋め込まれ、実行のたびに失われ、各新しい領域ごとに再工学的に作り直されなければならない。知識グラフ（KGs）は宣言的知識を整理するのに有効であることが示されてきたが、現在のKGパラダイムは、手続き的知識を「実行可能で学習可能なグラフ構造」として表現するための支援が限定的である。私たちは
\textit{生成的実行可能アルゴリズム知識グラフ}（GEAKG）を導入する。GEAKGは、ノードが実行可能なオペレータを保存し、辺が学習された合成パターンを符号化し、たどることで解を生成するKGのクラスである。GEAKGは
\emph{生成的}（トポロジとオペレータは大規模言語モデルによって合成される）、\emph{実行可能}（すべてのノードが実行可能なコードである）、そして\emph{転移可能}（学習されたパターンが、領域をまたいだゼロショットで一般化する）である。提案する枠組みは、エンジンレベルでは領域非依存である。同一の3層アーキテクチャと、アリの巣コロニー最適化（ACO）に基づく学習エンジンを、差し替え可能なオントロジ（\texttt{RoleSchema}）によってパラメータ化することで、さまざまな領域にわたってインスタンス化できる。2つのケーススタディ――領域固有の枠組みコードを共有しない――が、この枠組み仮説に対する具体的な証拠を提供する： (1)~2つの表形式ベンチマークにおける、70のクロスデータセット転移ペアにわたるニューラル・アーキテクチャ探索、ならびに (2)~組合せ最適化。ここでは、トラベリング・セールスマン問題で学習した知識が、スケジューリングおよび割当て領域へゼロショットで転移する。以上を総合すると、アルゴリズム的専門性を、実行可能な知識グラフとして明示的に表現し、学習し、そして転移できることが、結果によって支持される。