大規模言語モデル（LLM）の高い性能は、巧妙に設計されたプロンプトに依存していますが、手動でのプロンプトエンジニアリングは手間がかかり、実用面でのボトルネックとなっています。この問題を解決するために、自動プロンプト最適化（APO）という新たな研究領域が急速に発展しています。従来のAPO手法は単一のモデルまたはアルゴリズムに依存しており、複雑なタスクに対する性能を制限しています。これに対処するために、アンサンブル学習に基づくプロンプト最適化（ELPO）という新しいフレームワークを提案し、より正確で頑健な結果をもたらします。ELPOは投票メカニズムを用い、異なる検索方法を組み合わせて優れたプロンプトを探索します。実験結果では、ELPOは最新のプロンプト最適化手法を上回っており、例えばArSarcasmデータセットでF1スコアを7.6向上させました。