論文の概要: Think it, Run it: Autonomous ML pipeline generation via self-healing multi-agent AI
- arxiv url: http://arxiv.org/abs/2604.27096v1
- Date: Wed, 29 Apr 2026 18:42:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-01 16:31:53.759582
- Title: Think it, Run it: Autonomous ML pipeline generation via self-healing multi-agent AI
- Title（参考訳）: 自己修復型マルチエージェントAIによる自律型MLパイプライン生成
- Authors: Adela Bara, Gabriela Dobrita, Simona-Vasilica Oprea,
- Abstract要約: プロファイリング,インテント解析,マイクロサービスレコメンデーション,DAG(Directed Acyclic Graph)の構築と実行を扱う5エージェントシステムを提案する。
システムは84.7%のエンドツーエンドパイプライン成功率を達成し、ベースライン法を上回っている。
- 参考スコア（独自算出の注目度）: 3.8615905456206256
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The purpose of our paper is to develop a unified multi-agent architecture that automates end-to-end machine learning (ML) pipeline generation from datasets and natural-language (NL) goals, improving efficiency, robustness and explainability. A five-agent system is proposed to handle profiling, intent parsing, microservice recommendation, Directed Acyclic Graph (DAG) construction and execution. It integrates code-grounded Retrieval-Augmented Generation (RAG) for microservice understanding, an explainable hybrid recommender combining multiple criteria, a self-healing mechanism using Large Language Model (LLM)-based error interpretation and adaptive learning from execution history. The approach is evaluated on 150 ML tasks across diverse scenarios. The system achieves an 84.7% end-to-end pipeline success rate, outperforming baseline methods. It demonstrates improved robustness through self-healing and reduces workflow development time compared to manual construction. The study introduces a novel integration of code-grounded RAG, explainable recommendation, self-healing execution and adaptive learning within a single architecture, showing that tightly coupled intelligent components can outperform isolated solutions.
- Abstract（参考訳）: 本研究の目的は、データセットと自然言語(NL)の目標からエンドツーエンド機械学習(ML)パイプラインを自動生成し、効率、堅牢性、説明可能性を向上させる、統一型マルチエージェントアーキテクチャを開発することである。
プロファイリング,インテント解析,マイクロサービスレコメンデーション,DAG(Directed Acyclic Graph)の構築と実行を扱う5エージェントシステムを提案する。
マイクロサービス理解のためのコードグラウンドのRetrieval-Augmented Generation(RAG)、複数の基準を組み合わせた説明可能なハイブリッドレコメンデータ、Large Language Model(LLM)ベースのエラー解釈を用いた自己修復機構、実行履歴からの適応学習を統合する。
このアプローチは、さまざまなシナリオにわたる150のMLタスクで評価される。
このシステムは、84.7%のエンドツーエンドパイプラインの成功率を実現し、ベースライン法より優れている。
自己修復による堅牢性を向上し、手作業による構築に比べてワークフロー開発時間を短縮する。
この研究は、コード基底RAGの新たな統合、説明可能なレコメンデーション、自己修復実行、適応学習を単一のアーキテクチャで導入し、密結合されたインテリジェントコンポーネントが孤立したソリューションより優れていることを示した。
関連論文リスト
- NEMO: Execution-Aware Optimization Modeling via Autonomous Coding Agents [41.70615840873279]
本稿では,決定問題の自然言語記述を形式的に実行可能な数学的最適化実装に変換するシステムNEMOを提案する。
NEMOは、LLMとAPIベースのインタラクションに類似したファーストクラスの抽象化として扱われる、自律型コーディングエージェント(ACAs)とのリモートインタラクションに焦点を当てている。
ACAはサンドボックス環境で実行されるため、NEMOが生成したコードはビルドによって実行可能であり、自動検証と修復が可能である。
論文 参考訳（メタデータ） (2026-01-29T07:57:23Z) - ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
6Gネットワークは複雑な層間最適化に依存している。
数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。
我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
論文 参考訳（メタデータ） (2026-01-27T13:43:59Z) - ML-Tool-Bench: Tool-Augmented Planning for ML Tasks [23.54937738755734]
ツール強化機械学習エージェントの評価のためのベンチマークを導入する。
私たちのベンチマークは、インメモリ名のオブジェクト管理を組み込むことで、従来のツール使用の評価を超えています。
我々のアプローチはReActよりも16.2%向上し、すべてのKaggle課題の中央値を取ります。
論文 参考訳（メタデータ） (2025-11-29T23:59:40Z) - LM4Opt-RA: A Multi-Candidate LLM Framework with Structured Ranking for Automating Network Resource Allocation [0.7933039558471408]
我々は,複雑な解析的および数学的推論タスクに,文脈的理解が不要であることに対処する。
既存のベンチマークデータセットは、動的な環境、変数、不均一な制約でそのような問題の複雑さに対処できない。
NL4RAは、LP、ILP、MILPとして定式化された50のリソース割り当て最適化問題からなるキュレートデータセットである。
次に,パラメータ数が異なるオープンソースのLLMの性能評価を行った。
論文 参考訳（メタデータ） (2025-11-13T23:19:43Z) - Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。
ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。
我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
論文 参考訳（メタデータ） (2025-10-11T18:11:09Z) - MM-HELIX: Boosting Multimodal Long-Chain Reflective Reasoning with Holistic Platform and Adaptive Hybrid Policy Optimization [103.74675519953898]
ロングチェーンのリフレクティブ推論は、複雑な現実世界の問題を解決するための前提条件である。
我々は42の難解な合成タスクの1,260のサンプルからなるベンチマークを構築した。
トレーニング後のデータを生成し、そのようなデータを活用するための学習パラダイムを探索する。
論文 参考訳（メタデータ） (2025-10-09T17:53:58Z) - Beyond Single LLMs: Enhanced Code Generation via Multi-Stage Performance-Guided LLM Orchestration [12.674888937998086]
大規模言語モデル(LLM)は、自動コード生成の主要なパラダイムとなっている。
本稿では,マルチステージなパフォーマンス誘導オーケストレーションフレームワークを導入することで,シングルモデルコンベンションに挑戦する。
Perchは、ステージワイドバリデーションとロールバックメカニズムを通じて、各タスクコンテキストでトップパフォーマンスのLLMをオーケストレーションする。
論文 参考訳（メタデータ） (2025-10-01T19:07:16Z) - Feedback-Driven Tool-Use Improvements in Large Language Models via Automated Build Environments [70.42705564227548]
大規模言語モデル(LLM)のための環境自動構築パイプラインを提案する。
これにより、外部ツールに頼ることなく、詳細な測定可能なフィードバックを提供する高品質なトレーニング環境の作成が可能になる。
また、ツール使用の精度とタスク実行の完全性の両方を評価する検証可能な報酬機構も導入する。
論文 参考訳（メタデータ） (2025-08-12T09:45:19Z) - DS-Agent: Automated Data Science by Empowering Large Language Models with Case-Based Reasoning [56.887047551101574]
大規模言語モデル(LLM)エージェントとケースベース推論(CBR)を利用した新しいフレームワークであるDS-Agentを提案する。
開発段階では、DS-AgentはCBRフレームワークに従い、自動イテレーションパイプラインを構築する。
デプロイメントの段階では、DS-Agentは、シンプルなCBRパラダイムで低リソースのデプロイメントステージを実装し、LCMの基本能力に対する需要を大幅に削減する。
論文 参考訳（メタデータ） (2024-02-27T12:26:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。