Fugu-MT 論文翻訳(概要): SAGE-Loop: Reliable Closed-Loop LLM-Driven AutoML with Trial-and-Correction and Adaptive Ensembling

論文の概要: SAGE-Loop: Reliable Closed-Loop LLM-Driven AutoML with Trial-and-Correction and Adaptive Ensembling

arxiv url: http://arxiv.org/abs/2609.12455v1
Date: Fri, 11 Sep 2026 05:23:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-15 07:38:31.632149
Title: SAGE-Loop: Reliable Closed-Loop LLM-Driven AutoML with Trial-and-Correction and Adaptive Ensembling
Title（参考訳）: SAGE-Loop: トライアル・アンド・コレクティブとアダプティブな実装を備えた信頼性の高いクローズド・ループ LLM-Driven AutoML
Abstract要約: SAGE-Loopは、信頼できるクローズドループ、自己適応型、LLM駆動のAutoMLフレームワークである。マルチラウンド生成と試行錯誤の検証を行い、教師なしタスクと教師なしタスクの両方でアンサンブル戦略を適応的に選択する。 20のパブリックデータセットに対して、SAGE-Loopは一貫して、分類、回帰、クラスタリングタスクのパフォーマンスと安定性を改善している。
参考スコア（独自算出の注目度）: 16.060479017627724
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automated machine learning (AutoML) is reshaping data-driven science and industrial practice, and as large language models are introduced into AutoML, pipeline reliability becomes as important as automation efficiency. However, existing AutoML still struggles to realize instant feedback and adaptive optimization during execution, so once a run drifts into a suboptimal or failed state, it lacks a process-level correction mechanism. The fundamental pathology lies in its one-way pipeline: intermediate failures are typically terminated or bypassed, while fixed paradigms often strengthen model generation but leave ensemble decisions static, weakening both execution reliability and the controlled use of structural diversity. This indicates that LLM-driven AutoML needs a closed-loop ability for trial-correction-improvement together with evidence-based use of model diversity. To this end, we propose SAGE-Loop, a reliable closed-loop, self-adaptive, LLM-driven AutoML framework that performs multi-round generation and validation for trial-and-repair, and adaptively selects ensemble strategies in both supervised and unsupervised tasks, thereby unifying how to generate with how to use models. Across 20 public datasets, SAGE-Loop consistently improves performance and stability on classification, regression, and clustering tasks. Additional results further show its ability to recover from execution failures and maintain robust pipeline behavior.
Abstract（参考訳）: 自動機械学習(AutoML)は、データ駆動科学と産業プラクティスを変革し、大規模な言語モデルがAutoMLに導入されるにつれて、パイプラインの信頼性は自動化の効率と同じくらい重要になる。しかし、既存のAutoMLは実行中に即時フィードバックと適応最適化を実現するのに苦労しているため、一度実行が最適あるいは失敗状態にドリフトすると、プロセスレベルの修正メカニズムが欠如する。中間の障害は通常終了またはバイパスされるが、固定されたパラダイムはしばしばモデル生成を強化するが、アンサンブルの決定は静的であり、実行の信頼性と構造的多様性の制御の両方が弱まる。このことは、LCM駆動のAutoMLが、モデル多様性のエビデンスに基づく使用とともに、トライアル補正改善のためのクローズドループ機能を必要としていることを示している。この目的のためにSAGE-Loopを提案する。SAGE-Loopは、信頼性の高いクローズループ、自己適応型、LLM駆動のAutoMLフレームワークで、試行錯誤のためのマルチラウンド生成と検証を行い、教師なしタスクと教師なしタスクのアンサンブル戦略を適応的に選択し、モデルの使用方法と組み合わせる。 20のパブリックデータセットに対して、SAGE-Loopは一貫して、分類、回帰、クラスタリングタスクのパフォーマンスと安定性を改善している。追加の結果はさらに、実行障害から回復し、堅牢なパイプライン動作を維持する能力を示している。

関連論文リスト

Trustworthy Self-Composable Big-Data-as-a-Service: An LLM-Orchestrated Multi-Agent Framework for Automated Data Engineering, AutoML, MLOps Deployment, and Drift-Aware Lifecycle Optimization [0.0]
本稿では,LLM-orchestrated multi-agentコラボレーションに基づく,信頼性の高い自己コンパイル可能なBDフレームワークを提案する。提案したアーキテクチャは、BDライフサイクルを、データ取り込み、データクリーニング、機能エンジニアリング、AutoMLトレーニング、モデル評価、MLOpsのデプロイ、監視、ドリフト検出のための特別なエージェントに分解する。フレームワークには、共有アーティファクトガバナンス、サポート、Human-in-the-loopチェックポイント、ドリフト対応フィードバックループも含まれている。
論文参考訳（メタデータ） (2026-06-16T13:34:27Z)
VLA-ATTC: Adaptive Test-Time Compute for VLA Models with Relative Action Critic Model [54.35791816657227]
適応型テスト時間計算でVLAモデルを実現するフレームワークである textbfVLA-ATTC' を導入する。 VLA-ATTCは、不確実性に基づく認知クラッチ'を用いて、反射的実行からTTC熟考フェーズへ動的に移行する。 LIBERO-LONGベンチマークでは、VLA-ATTCはSOTAモデルPI0.5の故障率を50%以上削減する。
論文参考訳（メタデータ） (2026-05-02T02:13:11Z)
AutoMIA: Improved Baselines for Membership Inference Attack via Agentic Self-Exploration [49.050688065974605]
メンバーシップ推論攻撃(MIAs)は、機械学習モデルにおけるトレーニングデータの漏洩を評価するための基本的な監査ツールである。本稿では,自己探索と戦略進化の自動化プロセスとして,メンバーシップ推論を再構築するエージェントフレームワークであるAutoMIAを提案する。
論文参考訳（メタデータ） (2026-04-01T15:17:45Z)
Execution-Verified Reinforcement Learning for Optimization Modeling [49.171122807323634]
実行検証学習フレームワークは、数学的プログラミング解法を決定論的で対話的な検証器として扱う。 NL4OPT, MAMO, IndustryOR, OptiBenchをグロビ, OR-Tools, COPTで行った実験では, EVOMがプロセス管理SFTに適合または優れていた。
論文参考訳（メタデータ） (2026-04-01T03:39:11Z)
AceGRPO: Adaptive Curriculum Enhanced Group Relative Policy Optimization for Autonomous Machine Learning Engineering [52.67783579040657]
AceGRPOは、エージェントの学習フロンティアにおけるタスクを優先順位付けして学習効率を最大化する機械学習システムである。我々のトレーニングされたAce-30Bモデルは、MLE-Bench-Lite上で100%有効な応募率を実現し、プロプライエタリなフロンティアモデルの性能にアプローチし、より大きなオープンソースベースラインを上回ります。
論文参考訳（メタデータ） (2026-02-08T10:55:03Z)
Autonomous Control Leveraging LLMs: An Agentic Framework for Next-Generation Industrial Automation [0.0]
本稿では,大規模言語モデル(LLM)を個別のフォールトリカバリ計画と継続的プロセス制御の両方に活用する統合エージェントフレームワークを提案する。その結果、構造化されたフィードバックとモジュラーエージェントにより、LLMは高レベルな記号計画と低レベルな連続制御を統一できることを示した。
論文参考訳（メタデータ） (2025-07-03T11:20:22Z)
From Failures to Fixes: LLM-Driven Scenario Repair for Self-Evolving Autonomous Driving [29.36624509719055]
本研究では,自動走行システムの自己開発を可能にするフレームワークである textbfSERA を提案する。パフォーマンスログを分析することで、SERAは障害パターンを特定し、構造化バンクから動的にセマンティックに整合したシナリオを検索する。ベンチマークの実験では、SERAは複数の自律走行ベースラインにわたる重要な指標を一貫して改善し、安全クリティカルな条件下での有効性と一般化性を実証している。
論文参考訳（メタデータ） (2025-05-28T07:46:19Z)
MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。 MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
論文参考訳（メタデータ） (2025-05-12T17:35:43Z)
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)
AutoAct: Automatic Agent Learning from Scratch for QA via Self-Planning [54.47116888545878]
AutoActはQAのための自動エージェント学習フレームワークである。大規模アノテートデータやクローズドソースモデルからの合成計画軌道は依存していない。
論文参考訳（メタデータ） (2024-01-10T16:57:24Z)
AutoEn: An AutoML method based on ensembles of predefined Machine Learning pipelines for supervised Traffic Forecasting [1.6242924916178283]
交通予測(TF)は、将来の交通状況を予測することで交通渋滞を緩和する能力により、関連性が高まっている。 TFは、モデル選択問題(MSP)として知られる機械学習パラダイムに大きな課題を提起する。事前に定義されたMLパイプラインの集合からマルチクラス化アンサンブルを自動生成する,シンプルで効率的な手法であるAutoEnを紹介する。
論文参考訳（メタデータ） (2023-03-19T18:37:18Z)
Robusta: Robust AutoML for Feature Selection via Reinforcement Learning [24.24652530951966]
強化学習(RL)に基づく初の堅牢なAutoMLフレームワークRobostaを提案します。このフレームワークは,良性サンプルの競争精度を維持しつつ,モデルロバスト性を最大22%向上させることができることを示す。
論文参考訳（メタデータ） (2021-01-15T03:12:29Z)

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。