論文の概要: LLM-Driven AutoML for Cross-Lingual Handwritten OCR: Closed-Loop Neural Architecture Search with GPT-5, GPT-4o, and Claude Sonnet 4

• arxiv url: http://arxiv.org/abs/2607.15509v1
• Date: Thu, 16 Jul 2026 23:43:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.718025
• Title: LLM-Driven AutoML for Cross-Lingual Handwritten OCR: Closed-Loop Neural Architecture Search with GPT-5, GPT-4o, and Claude Sonnet 4
• Title（参考訳）: LLM-Driven AutoML for Cross-Lingual Hand written OCR: Closed-Loop Neural Architecture Search with GPT-5, GPT-4o, Claude Sonnet 4
• Abstract要約: GPT-5, GPT-4o, Claude Sonnet 4 を自律型ニューラルアーキテクチャデザイナとして利用する,完全に自動化されたAutoMLフレームワークを提案する。 このフレームワークは、270の独立した実験を通じてアラビア語、ペルシア語、英語の筆跡データセットで評価されている。 生成されたモデルは平均的なテスト精度を93%以上、最高の精度は98.1%、推論遅延は41ミリ秒から44ミリ秒である。
• 参考スコア（独自算出の注目度）: 0.5735035463793009
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a fully automated closed-loop AutoML framework that uses GPT-5, GPT-4o, and Claude Sonnet 4 as autonomous neural architecture designers for cross-lingual handwritten optical character recognition. Each large language model independently generates, trains, evaluates, and iteratively refines neural network architectures using performance feedback from previous trials. The framework is evaluated on Arabic, Persian, and English handwriting datasets through 270 independent experiments. It consistently discovers accurate and computationally efficient models without manual architecture design, domain-specific preprocessing, or hyperparameter tuning. The generated models achieve mean test accuracies above 93 percent, a best accuracy of 98.1 percent, and inference latency between 41 and 44 milliseconds. The results demonstrate that large language models can function as effective AutoML agents for neural architecture search, enabling scalable, script-adaptive, and reproducible handwriting recognition across languages.
• Abstract（参考訳）: GPT-5, GPT-4o, Claude Sonnet 4 を多言語手書き文字認識のための自律型ニューラルアーキテクチャデザイナとして利用する完全自動クローズドループ AutoML フレームワークを提案する。 各大きな言語モデルは、独立して、トレーニングし、評価し、以前のトライアルのパフォーマンスフィードバックを使用して、ニューラルネットワークアーキテクチャを反復的に洗練します。 このフレームワークは、270の独立した実験を通じてアラビア語、ペルシア語、英語の筆跡データセットで評価されている。 手動のアーキテクチャ設計、ドメイン固有の前処理、ハイパーパラメータチューニングを使わずに、正確で計算効率の良いモデルを一貫して発見する。 生成されたモデルは平均的なテスト精度を93%以上、最高の精度は98.1%、推論遅延は41ミリ秒から44ミリ秒である。 その結果、大規模言語モデルは、ニューラルネットワーク検索に有効なAutoMLエージェントとして機能し、スケーラブルでスクリプト適応的で、言語間で再現可能な手書き認識を可能にした。

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)
• Development of ML model for triboelectric nanogenerator based sign language detection system [0.0]
  聴覚と聴覚のコミュニケーションギャップを埋めるためには手話認識が不可欠である。 本研究は、カスタムトライボ誘電体ナノジェネレータ(TENG)を用いたセンサグローブにおける機械学習(ML)とディープラーニングモデルの比較を示す。 提案したMFCC CNN-LSTMアーキテクチャは、融合前の独立した畳み込み枝を通じて各センサから周波数領域の特徴を処理する。
  論文  参考訳（メタデータ） (2026-03-26T08:35:02Z)
• From Memorization to Creativity: LLM as a Designer of Novel Neural-Architectures [48.83701310501069]
  大規模言語モデル(LLM)は、プログラム合成において優れているが、ニューラルネットワーク設計(信頼性、性能、構造的ノベルティ)を自律的にナビゲートする能力は、未調査のままである。 コード指向LLMをクローズドループ合成フレームワークに配置し、22の教師付き微調整サイクルの進化を解析することによって、この問題に対処する。
  論文  参考訳（メタデータ） (2026-01-06T13:20:28Z)
• LLM as a Neural Architect: Controlled Generation of Image Captioning Models Under Strict API Contracts [48.83701310501069]
  LLM誘導型ニューラルネットワーク探索パイプラインであるNN-Captionを提案する。 LEMURの分類バックボーンからCNNエンコーダを構成することで、実行可能な画像キャプチャモデルを生成する。 この作業では、プロンプトベースのコード生成と自動評価を統合するパイプラインを提示する。
  論文  参考訳（メタデータ） (2025-12-07T10:47:28Z)
• NNGPT: Rethinking AutoML with Large Language Models [36.90850535125572]
  NNGPTは、大規模な言語モデル(LLM)を、ニューラルネットワーク開発のための自己改善型のAutoMLエンジンに変換する、オープンソースのフレームワークである。 ゼロショットアーキテクチャ合成、ハイパーパラメータ最適化、コード認識精度/早期停止予測、強化学習の5つのシナジスティックLLMベースのパイプラインに統合されている。 このシステムは、すでに5K以上の検証済みモデルを生成しており、自律的なAutoMLエンジンとしてNNGPTを証明している。
  論文  参考訳（メタデータ） (2025-11-25T14:10:44Z)
• The Hidden DNA of LLM-Generated JavaScript: Structural Patterns Enable High-Accuracy Authorship Attribution [2.334824705384299]
  大規模言語モデルによって生成されたJavaScriptコードが、どのモデルで生成されたかを明らかにすることができるかどうかについて、最初の大規模研究を行った。 それぞれのLLMが、同じファミリーやパラメータサイズに属するモデルであっても、独自のスタイル的シグネチャを残していることを示す。 LLM-NodeJSは、20の大規模言語モデルから5万のNode.jsバックエンドプログラムのデータセットである。
  論文  参考訳（メタデータ） (2025-10-12T07:51:03Z)
• Accelerated Test-Time Scaling with Model-Free Speculative Sampling [58.69141724095398]
  STAND(Stochastic Adaptive N-gram Drafting)は,新しいモデルフリーな投機的デコード手法である。 従来の自己回帰復号法と比較して,STANDは推論遅延を60～65%削減することを示した。 モデルフリーのアプローチとして、STANDは追加のトレーニングなしで既存の言語モデルに適用できる。
  論文  参考訳（メタデータ） (2025-06-05T07:31:18Z)
• Improving Massively Multilingual ASR With Auxiliary CTC Objectives [40.10307386370194]
  FLEURSは102言語によるオープンASRベンチマークである。 我々は,最近のコネクショニスト時間分類(CTC)研究から着想を得た手法を考察し,モデルが多数の言語を扱えるようにした。 コンバータアーキテクチャを用いた自己教師型モデルを用いた最先端システムでは,相対28.4%CERによるFLEURSの先行研究よりも改善されている。
  論文  参考訳（メタデータ） (2023-02-24T18:59:51Z)
• Lexically Aware Semi-Supervised Learning for OCR Post-Correction [90.54336622024299]
  世界中の多くの言語における既存の言語データの多くは、非デジタル化された書籍や文書に閉じ込められている。 従来の研究は、あまり良くない言語を認識するためのニューラル・ポスト・コレクション法の有用性を実証してきた。 そこで本研究では,生画像を利用した半教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-04T04:39:02Z)
• Listen Attentively, and Spell Once: Whole Sentence Generation via a Non-Autoregressive Architecture for Low-Latency Speech Recognition [66.47000813920619]
  我々はLASOと呼ばれる非自己回帰型エンドツーエンド音声認識システムを提案する。 非自己回帰性のため、LASOは他のトークンに依存することなくシーケンス内のテキストトークンを予測する。 我々は,中国における公開データセットAISHELL-1の実験を行った。
  論文  参考訳（メタデータ） (2020-05-11T04:45:02Z)

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。