論文の概要: Agentic Neural Architecture Search

• arxiv url: http://arxiv.org/abs/2607.07984v1
• Date: Wed, 08 Jul 2026 23:20:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.363221
• Title: Agentic Neural Architecture Search
• Title（参考訳）: エージェントニューラルアーキテクチャサーチ
• Authors: Seokhoon Jeong, Mijung Kim, Taehwan Kim,
• Abstract要約: 大規模言語モデル(LLM)は、オープンエンド空間でアーキテクチャを生成することができるが、LLM駆動設計とNAS駆動探索とを最適に分割する方法はまだ探索されていない。 LLMは高品質なシードアーキテクチャを生成し、それを"スロットトアーキテクチャ"に分解するメカニズムを提案する。 我々は、各コンポーネントのコントリビューションを独立して測定できるモジュール型3相パイプラインであるAgentNASで、このメカニズムをインスタンス化する。
• 参考スコア（独自算出の注目度）: 7.808751461653401
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural architecture search (NAS) methods have grown increasingly efficient, yet they remain bounded by manually engineered search spaces that require substantial domain expertise and must be rebuilt for every new task. Large language models (LLMs) can generate architectures in an open-ended space, but how to optimally divide the labor between LLM-driven design and NAS-driven search remains unexplored. We propose a mechanism that bridges these two paradigms: an LLM produces a high-quality seed architecture, then decomposes it into a "slotted architecture", a scaffold with named, interchangeable module slots that automatically defines a bounded, task-specific search space for conventional NAS to explore, without manual engineering. We instantiate this mechanism in AgentNAS, a modular three-phase pipeline in which each component's contribution can be measured independently. On 17 tasks spanning classification, dense regression, segmentation, and multi-label tagging across diverse modalities (NAS-Bench-360 and Unseen NAS), AgentNAS establishes a new state of the art on 11 tasks, outperforming published baselines including task-specific expert designs. Ablation studies show that the two search mechanisms are broadly complementary: the LLM-generated seed already surpasses published baselines on the majority of tasks, and NAS delivers additional gains in most cases through combinatorial recombination across slots, a mode of search that independent LLM samples cannot replicate. These patterns hold across three LLMs of different capability levels, confirming that the division of labor is robust. Our code is available at https://github.com/alroimfebruary/AgentNAS.
• Abstract（参考訳）: ニューラルアーキテクチャサーチ(NAS)の手法はますます効率的になっているが、それらは手作業で設計された検索空間に縛られ、ドメインの専門知識が必要であり、新しいタスクのたびに再構築されなければならない。 大規模言語モデル(LLM)は、オープンエンド空間でアーキテクチャを生成することができるが、LLM駆動設計とNAS駆動探索とを最適に分割する方法はまだ探索されていない。 この2つのパラダイムを橋渡しするメカニズムを提案する: LLMは高品質なシードアーキテクチャを生成し、次にそれを「スロットトアーキテクチャ」に分解する。 我々は、各コンポーネントのコントリビューションを独立して測定できるモジュール型3相パイプラインであるAgentNASで、このメカニズムをインスタンス化する。 分類、密度レグレッション、セグメンテーション、および多様なモダリティ(NAS-Bench-360とUnseen NAS)にまたがるマルチラベルタグを含む17のタスクにおいて、AgentNASは11のタスクに新しい最先端のタスクを定め、タスク固有の専門家設計を含む公開ベースラインを上回っている。 アブレーション研究は、2つの探索機構が広く相補的であることを示している: LLM生成されたシードは、既にほとんどのタスクで公表されたベースラインを超えており、NASはスロットをまたいで組み合わせて組換えを行うことによって、ほとんどのケースにおいて追加の利益をもたらす。 これらのパターンは、異なる能力レベルの3つのLLMにまたがって保持され、労働の分割が堅牢であることを確認する。 私たちのコードはhttps://github.com/alroimfebruary/AgentNAS.comで利用可能です。

関連論文リスト

• LM-Searcher: Cross-domain Neural Architecture Search with LLMs via Unified Numerical Encoding [55.5535016040221]
  LM-Searcherは、クロスドメインニューラルネットワーク最適化のための新しいフレームワークである。 我々のアプローチの中心は、ニューラルネットワークのための普遍的な数値文字列表現であるNCodeである。 我々のデータセットは、幅広いアーキテクチャとパフォーマンスのペアを含み、堅牢で伝達可能な学習を促進する。
  論文  参考訳（メタデータ） (2025-09-06T09:26:39Z)
• Searching a High-Performance Feature Extractor for Text Recognition Network [92.12492627169108]
  優れた特徴抽出器を持つための原理を探求し,ドメイン固有の検索空間を設計する。 空間は巨大で複雑な構造であるため、既存のNASアルゴリズムを適用することはできない。 本研究では,空間内を効率的に探索する2段階のアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-27T03:49:04Z)
• Towards Less Constrained Macro-Neural Architecture Search [2.685668802278155]
  ニューラルアーキテクチャサーチ(NAS)ネットワークは、様々なタスクで最先端のパフォーマンスを達成する。 ほとんどのNAS手法は、探索を制約する人間定義の仮定に大きく依存している。 我々は,LCMNASが最小のGPU計算でゼロから最先端アーキテクチャを生成することを示す実験を行った。
  論文  参考訳（メタデータ） (2022-03-10T17:53:03Z)
• Elastic Architecture Search for Diverse Tasks with Different Resources [87.23061200971912]
  本研究では,異なるリソースを持つ多様なタスクを効率的に配置する上で,クラス群に対応するリソース制約や関心のタスクをテスト時に動的に指定する,新たな課題について検討する。 従来のNASアプローチでは、全てのクラスのアーキテクチャを同時に設計することを模索しており、これはいくつかの個別のタスクに最適ではないかもしれない。 本稿では、様々なリソース制約のある多様なタスクに対して、実行時に即時特殊化を可能にする、Elastic Architecture Search (EAS)と呼ばれる斬新で一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T00:54:27Z)
• MTL-NAS: Task-Agnostic Neural Architecture Search towards General-Purpose Multi-Task Learning [71.90902837008278]
  汎用マルチタスク学習(GP-MTL)にニューラルアーキテクチャサーチ(NAS)を導入することを提案する。 異なるタスクの組み合わせに対応するため、GP-MTLネットワークを単一タスクのバックボーンに分割する。 また,探索されたアーキテクチャ間の性能ギャップを埋める単一ショット勾配に基づく探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-31T09:49:14Z)

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。