論文の概要: DoctorAgents: an agentic framework to iteratively refine AutoML pipeline for small clinical temporal data

• arxiv url: http://arxiv.org/abs/2608.05375v1
• Date: Wed, 05 Aug 2026 19:52:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.663426
• Title: DoctorAgents: an agentic framework to iteratively refine AutoML pipeline for small clinical temporal data
• Title（参考訳）: DoctorAgents:小さな臨床時間データのためのAutoMLパイプラインを反復的に洗練するためのエージェントフレームワーク
• Abstract要約: 我々は、エンドツーエンドの機械学習パイプラインを自律的に構築し、最適化するエージェントAIフレームワークであるDoctorAgentsを提案する。 DoctorAgentsは、テキストの勾配降下によって自然言語フィードバックをバックプロパゲートし、徹底的な検索なしでターゲット更新を実行する。 実験によると、DoctorAgentsはAutoMLベースラインを一貫して上回り、より解釈可能なタスク固有の表現を生成する。
• 参考スコア（独自算出の注目度）: 13.533048301319218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical machine learning (ML) has the potential to support high-stakes medical decision-making, but reliable deployment is often constrained by scarce, heterogeneous, and temporal complexity. Developing effective ML pipelines for such data remains time-consuming and error-prone, while existing automated machine learning (AutoML) systems only partially address this challenge because they largely rely on brute-force search over predefined spaces and lack explicit reasoning and memory. We therefore reformulate AutoML for small clinical data from exhaustive search to reasoning-driven refinement. We propose DoctorAgents, an agentic AI framework that autonomously constructs and optimizes end-to-end ML pipelines through specialized large language model (LLM) agents for generation, validation, and refinement. DoctorAgents backpropagates natural-language feedback through textual gradient descent to perform targeted updates without exhaustive search. Experiments across diverse clinical tasks show that DoctorAgents consistently outperforms established AutoML baselines while producing more interpretable task-specific representations.
• Abstract（参考訳）: 臨床機械学習(ML)は、高い精度の医療意思決定をサポートする可能性があるが、信頼性の高いデプロイメントは、しばしば不足、不均一、時間的複雑さによって制限される。 既存の自動機械学習(AutoML)システムは、事前に定義されたスペースよりもブルートフォース検索に大きく依存し、明確な推論とメモリが欠如しているため、この課題に部分的に対処するのみである。 そこで我々は,精査から推論による精査まで,小さな臨床データのためにAutoMLを再構成した。 我々は、自動でエンドツーエンドのMLパイプラインを構築し、最適化するエージェントAIフレームワークであるDoctorAgentsを提案する。 DoctorAgentsは、テキストの勾配降下によって自然言語フィードバックをバックプロパゲートし、徹底的な検索なしでターゲット更新を実行する。 様々な臨床タスクにわたる実験により、DoctorAgentsはAutoMLベースラインを一貫して上回り、より解釈可能なタスク固有の表現を生み出している。

関連論文リスト

• Towards Fully Automated Medical Imaging Code Generation via Validation-based Context Engineering [19.965191998381794]
  AutoMedImgは、完全に自動化された医用画像処理コード生成のためのマルチエージェントフレームワークである。 セマンティックおよびフォーマルな検証を伴うデータセット分析とアーキテクチャ設計を行うプランニングフェーズと、静的チェック、実行テスト、アセンブリバリデーションと並行してモジュールを生成するコーディングフェーズである。 人間の介入はゼロであり、Diceのスコアはセグメンテーションタスクが最大0.90、分類が99%である。
  論文  参考訳（メタデータ） (2026-08-29T03:10:00Z)
• Lang2MLIP: End-to-End Language-to-Machine Learning Interatomic Potential Development with Autonomous Agentic Workflows [2.1149232897113497]
  自然言語入力とエンドツーエンドMLIP開発を定式化するマルチエージェントフレームワークであるLang2MLIPを提案する。 各ステップでは、意思決定エージェントが現在のデータセット、モデル、評価結果、実行ログを観察し、モデルを改善するための適切なアクションを自動的に選択する。 本研究では, 固体電解質間相 (SEI) システムにおいて, 複数成分および界面を有する手法について検討した。
  論文  参考訳（メタデータ） (2026-05-14T08:10:42Z)
• Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
  我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。 従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。 本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:30:19Z)
• RemoteAgent: Bridging Vague Human Intents and Earth Observation with RL-based Agentic MLLMs [55.44696796126619]
  地球観測システムは、曖昧な自然言語を通じて要求を表現するドメインの専門家を支援するように設計されている。 実用的なEOAIシステムは、あいまいな人間のクエリと適切な多粒度視覚分析タスクのギャップを埋めなければならない。 MLLMの能力固有の境界を戦略的に尊重するエージェントフレームワークであるRemoteAgentを提案する。
  論文  参考訳（メタデータ） (2026-04-09T03:40:46Z)
• Simple Agents Outperform Experts in Biomedical Imaging Workflow Optimization [69.36509281190662]
  生産レベルのコンピュータビジョンツールを科学データセットに適応させることは、重要な"ラストマイル"ボトルネックである。 我々は、AIエージェントを使ってこの手動コーディングを自動化し、最適なエージェント設計のオープンな問題に焦点を当てる。 簡単なエージェントフレームワークが、人間-専門家のソリューションよりも優れた適応コードを生成することを実証する。
  論文  参考訳（メタデータ） (2025-12-02T18:42:26Z)
• ToolACE-MT: Non-Autoregressive Generation for Agentic Multi-Turn Interaction [84.90394416593624]
  大規模言語モデル(LLM)によるエージェント的タスク解決には,多ターン・マルチステップインタラクションが必要である。 既存のシミュレーションベースのデータ生成手法は、複数のエージェント間のコストのかかる自己回帰的相互作用に大きく依存している。 本稿では,高品質なマルチターンエージェント対話を構築するための非自己回帰反復生成フレームワークであるToolACE-MTを提案する。
  論文  参考訳（メタデータ） (2025-08-18T07:38:23Z)
• DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery [54.79763887844838]
  大規模言語モデル(LLM)と自律エージェントの統合は、自動推論とタスク実行を通じて科学的発見を促進する大きな可能性を秘めている。 本稿では,薬物発見におけるエンドツーエンド科学のために設計されたパラメータ化推論アーキテクチャを備えたLSMベースのエージェントシステムであるDrarmPilotを紹介する。 DrugPilot は ReAct や LoT のような最先端のエージェントよりも優れており、タスク完了率は98.0%、93.5%、64.0%である。
  論文  参考訳（メタデータ） (2025-05-20T05:18:15Z)
• AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
  自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。 近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。 本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:01:09Z)
• Assessing the Use of AutoML for Data-Driven Software Engineering [13.524883764376481]
  AutoMLは、エンドツーエンドのAI/MLパイプラインの構築を自動化することを約束する。 関心の高まりと高い期待にもかかわらず、AutoMLが現在採用されている範囲に関する情報が不足している。
  論文  参考訳（メタデータ） (2023-07-20T11:14:24Z)
• Man versus Machine: AutoML and Human Experts' Role in Phishing Detection [4.124446337711138]
  本稿では,10種類のフィッシングデータセット上での6つの最先端AutoMLフレームワークのパフォーマンスを比較した。 以上の結果から,AutoMLベースのモデルでは,複雑な分類タスクにおいて,手作業で開発した機械学習モデルよりも優れていることが示唆された。
  論文  参考訳（メタデータ） (2021-08-27T09:26:20Z)

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。