論文の概要: GenAutoML: An Agentic Framework for Dynamic Architecture Generation and Optimization in Time-Series Analysis
- arxiv url: http://arxiv.org/abs/2606.05860v2
- Date: Thu, 11 Jun 2026 12:39:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 13:39:59.475611
- Title: GenAutoML: An Agentic Framework for Dynamic Architecture Generation and Optimization in Time-Series Analysis
- Title（参考訳）: GenAutoML: 時系列分析における動的アーキテクチャ生成と最適化のためのエージェントフレームワーク
- Authors: Oleeviya Babu Poikarayil, Cédric Schockaert, Abdulrahman Nahhas, Christian Daase, Mursal Dawodi, Jawid Ahmad Baktash,
- Abstract要約: GenAutoMLは、自然言語要求とPyTorch実装をブリッジするために、ニューラルネットワークアーキテクトとして大規模言語モデルを活用するエージェントフレームワークである。
ETTh1、ETTm1、Weatherベンチマークの実験は、GenAutoMLがデータセットの特徴に合わせたタスク固有のニューラルアーキテクチャを動的に生成できることを実証している。
GenAutoMLは、計算効率、アーキテクチャ適応性、安定した最適化動作を強調することで、リソース制約とレイテンシに敏感なEdge AIデプロイメントに適した超軽量ニューラルネットワークの作成を可能にする。
- 参考スコア（独自算出の注目度）: 0.22166578153935787
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Designing neural architectures for time-series forecasting and anomaly detection remains a resource-intensive task that often requires substantial domain expertise. Traditional Automated Machine Learning (AutoML) systems typically rely on static, predefined search spaces, limiting their ability to adapt to diverse data characteristics. We present GenAutoML, an agentic framework that leverages Large Language Models (LLMs) as neural architects to bridge natural-language requirements and executable PyTorch implementations. The framework incorporates a Sandboxed Reflection Loop for autonomous code refinement and a Signature-Aware Runtime that enforces architectural consistency and execution safety. To improve robustness under non-stationary conditions, we further introduce a Dynamic Reversible Instance Normalization (Dyn-RevIN) wrapper. Experiments on the ETTh1, ETTm1, and Weather benchmarks demonstrate that GenAutoML can dynamically generate task-specific neural architectures tailored to dataset characteristics. Among the generated models, WaveInterferenceNet achieves inference latency below 0.01 ms per sample while maintaining competitive predictive performance. By emphasizing computational efficiency, architectural adaptability, and stable optimization behavior, GenAutoML enables the creation of ultra-lightweight neural networks suitable for resource-constrained and latency-sensitive Edge AI deployments.
- Abstract（参考訳）: 時系列予測と異常検出のためのニューラルアーキテクチャを設計することは、多くの場合、かなりのドメイン知識を必要とするリソース集約的なタスクである。
従来のAutomated Machine Learning (AutoML)システムは通常、静的で事前定義された検索スペースに依存しており、多様なデータ特性に適応する能力を制限する。
我々は、自然言語要求と実行可能なPyTorch実装をブリッジするために、Large Language Models(LLM)をニューラルネットワークとして活用するエージェントフレームワークであるGenAutoMLを提案する。
このフレームワークには、自動コード修正のためのサンドボックス反射ループと、アーキテクチャの一貫性と実行安全性を強制するSignature-Aware Runtimeが含まれている。
非定常条件下でのロバスト性を改善するために、動的可逆インスタンス正規化(Dyn-RevIN)ラッパーを導入する。
ETTh1、ETTm1、Weatherベンチマークの実験は、GenAutoMLがデータセットの特徴に合わせたタスク固有のニューラルアーキテクチャを動的に生成できることを実証している。
生成されたモデルの中で、WaveInterferenceNetは、競合予測性能を維持しながら、1サンプルあたり0.01ms未満の推論遅延を達成する。
GenAutoMLは、計算効率、アーキテクチャ適応性、安定した最適化動作を強調することで、リソース制約とレイテンシに敏感なEdge AIデプロイメントに適した超軽量ニューラルネットワークの作成を可能にする。
関連論文リスト
- OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models [69.2503510410147]
予め訓練されたVLM上に構築した統合自動運転フレームワークを提案する。
トレーニング済みのVLMアテンションは、純粋言語モデリング以上の強い伝達性を示すことを示す。
エンドツーエンドの自動運転ベンチマークの実験は、最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-04-20T07:50:00Z) - AutoSurrogate: An LLM-Driven Multi-Agent Framework for Autonomous Construction of Deep Learning Surrogate Models in Subsurface Flow [5.022047193471448]
AutoSurrogateは、地下フロー問題のためのディープラーニングサロゲートを構築するための多エージェントフレームワークである。
機械学習の専門知識のない実践者は、自然言語で高品質なサロゲートを構築できる。
我々は,3次元炭素貯蔵モデリングタスクにおけるAutoSurrogateの有用性を実証し,透水性場を圧力にマッピングし,31回以上の飽和場をCO$$で提供する。
論文 参考訳（メタデータ） (2026-04-13T18:36:02Z) - Towards a Self-Driving Trigger at the LHC: Adaptive Response in Real Time [8.632121079404772]
リアルタイムデータフィルタリングと選択は、非常に高速なデータストリームを処理する必要があります。
これらのシステムは、通常、選択基準の静的で手書きのメニューとして設計されている。
我々は、リソースを再配置し、リアルタイムに閾値を動的に調整する自動運転トリガーの概念を探求する。
論文 参考訳（メタデータ） (2026-01-13T19:00:02Z) - 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) - LEMUR Neural Network Dataset: Towards Seamless AutoML [35.57280723615144]
我々は、PyTorchベースのニューラルネットワークの大規模なコレクションを提供するオープンソースのデータセットとフレームワークであるLEMURを紹介する。
各モデルは統一されたテンプレートに従い、構成と結果が構造化データベースに格納され、一貫性が保証される。
LEMURはAutoMLの研究を加速し、公正なベンチマークを可能にし、大規模ニューラルネットワーク研究の障壁を減らすことを目的としている。
論文 参考訳（メタデータ） (2025-04-14T09:08:00Z) - ZeroLM: Data-Free Transformer Architecture Search for Language Models [54.83882149157548]
現在の自動プロキシ発見アプローチは、検索時間の拡張、データの過度なオーバーフィットへの感受性、構造的な複雑さに悩まされている。
本稿では,効率的な重み統計によるモデルキャパシティの定量化を目的とした,新しいゼロコストプロキシ手法を提案する。
本評価は,FlexiBERT ベンチマークで Spearman's rho 0.76 と Kendall's tau 0.53 を達成し,このアプローチの優位性を示すものである。
論文 参考訳（メタデータ） (2025-03-24T13:11:22Z) - Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。
総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2024-03-21T02:33:37Z) - auto-sktime: Automated Time Series Forecasting [18.640815949661903]
本稿では,自動時系列予測のための新しいフレームワークであるauto-sktimeを紹介する。
提案するフレームワークは、自動機械学習(AutoML)技術を使用して、予測パイプライン全体の生成を自動化する。
64種類の実世界の時系列データセットに対する実験結果は、フレームワークの有効性と効率を実証している。
論文 参考訳（メタデータ） (2023-12-13T21:34:30Z) - AutoBERT-Zero: Evolving BERT Backbone from Scratch [94.89102524181986]
そこで本稿では,提案するハイブリッドバックボーンアーキテクチャを自動検索するOP-NASアルゴリズムを提案する。
提案するOP-NASの効率を向上させるために,探索アルゴリズムと候補モデルの評価を最適化する。
実験の結果、検索されたアーキテクチャ(AutoBERT-Zero)は、様々な下流タスクにおいてBERTとそのバリエーションの異なるモデル容量を著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2021-07-15T16:46:01Z) - Resource-Aware Pareto-Optimal Automated Machine Learning Platform [1.6746303554275583]
新プラットフォーム Resource-Aware AutoML (RA-AutoML)
RA-AutoMLは、フレキシブルで一般化されたアルゴリズムで、複数の目的に合わせた機械学習モデルを構築することができる。
論文 参考訳（メタデータ） (2020-10-30T19:37:48Z) - Auto-PyTorch Tabular: Multi-Fidelity MetaLearning for Efficient and
Robust AutoDL [53.40030379661183]
Auto-PyTorchは、完全に自動化されたディープラーニング(AutoDL)を実現するフレームワーク
ディープニューラルネットワーク(DNN)のウォームスタートとアンサンブルのためのマルチフィデリティ最適化とポートフォリオ構築を組み合わせる。
Auto-PyTorchは、いくつかの最先端の競合製品よりもパフォーマンスが良いことを示す。
論文 参考訳（メタデータ） (2020-06-24T15:15:17Z)
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。