論文の概要: A Multi-Agent LLM System for Automated Tuning of Specialized Neural Network Models

• arxiv url: http://arxiv.org/abs/2610.13663v1
• Date: Fri, 09 Oct 2026 14:34:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.623401
• Title: A Multi-Agent LLM System for Automated Tuning of Specialized Neural Network Models
• Title（参考訳）: ニューラルネットワークモデルの自動チューニングのためのマルチエージェントLLMシステム
• Abstract要約: マルチエージェントの大規模言語モデル(LLM)フレームワークには,分析,コーダ,レコーダという3つの役割がある。 MLスクリプト全体や検索アーキテクチャを個別の空間で最適化するシステムとは異なり、このフレームワークはオープンだがセマンティックに狭い空間で動作する。 この手法は,相関学習を用いた分類スパイクニューラルネットワークのチューニングと,物理インフォームドニューラルネットワーク(PINN)を用いた高次微分方程式の解法である。
• 参考スコア（独自算出の注目度）: 40.466958947648486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many machine learning approaches are two-level: an expert selects a class of methods, within this class the choice of key components is critical and usually manual. This paper addresses the automatic tuning of these components and proposes a framework transferable across models of different nature. The multi-agent large language model (LLM) framework has three roles---analyst, coder, and recorder~---with an experiment log and a sandboxed execution environment. Unlike systems that optimize the entire ML script or search architectures in a discrete space, the framework operates over an open but semantically narrow space: the agent generates code only for the specified components, leaving the overall network structure unchanged. The approach is validated in two directions: tuning a classification spiking neural network with correlation learning, and solving high-order differential equations with Physics-Informed Neural Networks (PINN). Across five tasks---spiking classification on MNIST and Digits, and boundary-value problems for the generalized nonlinear Schrödinger equation (GNLSE) and Kuramoto--Sivashinsky (KS) equations---the agent outperforms the baselines: classification accuracy is 13 percentage points (MNIST) and 6 percentage points (Digits) higher; the error against the analytical single-soliton solution is reduced approximately 2491-fold; the invariant-preservation error drops approximately 325-fold in the selected GNLSE run with a Gaussian perturbation and by more than 100-fold on average over repeated initializations; and the mass drift drops 14-fold for the KS problem with a Gaussian perturbation. The framework thus tunes key components on tasks of different nature without changing its internal structure.
• Abstract（参考訳）: 専門家がメソッドのクラスを選択し、このクラス内で重要なコンポーネントの選択が重要で、通常は手動である。 本稿では、これらのコンポーネントの自動チューニングに対処し、異なる性質のモデル間で転送可能なフレームワークを提案する。 マルチエージェントの大規模言語モデル(LLM)フレームワークには、分析、コーダ、レコーダの3つの役割がある。 MLスクリプト全体や検索アーキテクチャを個別の空間で最適化するシステムとは異なり、フレームワークはオープンだがセマンティックに狭い空間上で動作している。 このアプローチは,相関学習を用いた分類スパイクニューラルネットワークのチューニングと,物理情報ニューラルネットワーク(PINN)を用いた高次微分方程式の解法という2つの方向で検証されている。 一般非線形シュレーディンガー方程式 (GNLSE) と倉本-シヴァシンスキー方程式 (KS) に対する境界値問題 - 分類精度は13パーセンテージポイント (MNIST) と6パーセンテージポイント (Digits) である。 したがって、フレームワークは内部構造を変更することなく、異なる性質のタスクでキーコンポーネントをチューニングする。

関連論文リスト

• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• Edge-Selector Model Applied for Local Search Neighborhood for Solving Vehicle Routing Problems [1.9573380763700716]
  本研究は、車両ルーティング問題(VRP)を解決するために設計されたハイブリッド機械学習とメタヒューリスティックメカニズムを提案する。 本手法の主目的はエッジソリューションセレクタモデルであり, 局所探索において, 解のエッジを分類し, 禁止動作を識別する。 提案手法はスケーラビリティと一般化性の両方を示し,異なるベースラインメタヒューリスティックスにおける性能改善を実現している。
  論文  参考訳（メタデータ） (2025-08-12T05:28:26Z)
• Interacting Particle Systems on Networks: joint inference of the network and the interaction kernel [8.535430501710712]
  エージェント間の相互作用のルールを決定するネットワークとシステムの重み行列を推論する。 我々は2つのアルゴリズムを使用する: 1つは演算子回帰と呼ばれる新しいアルゴリズムで、最小2乗のデータを交互に更新する。 どちらのアルゴリズムも、識別可能性と適正性を保証するスケーラブルな条件である。
  論文  参考訳（メタデータ） (2024-02-13T12:29:38Z)
• Systematic Evaluation of Deep Learning Models for Log-based Failure Prediction [3.3810628880631226]
  本稿では,障害予測のためのログデータ埋め込み戦略とディープラーニング(DL)タイプの組み合わせを系統的に検討する。 そこで我々は,組込み戦略とDLベースのエンコーダの様々な構成に対応するモジュールアーキテクチャを提案する。 また,F1スコア測定値を用いて,Logkey2vecを用いたCNNベースのエンコーダが最適であることを示す。
  論文  参考訳（メタデータ） (2023-03-13T16:04:14Z)
• Frame Averaging for Invariant and Equivariant Network Design [50.87023773850824]
  フレーム平均化(FA)は、既知の(バックボーン)アーキテクチャを新しい対称性タイプに不変あるいは同変に適応するためのフレームワークである。 FAモデルが最大表現力を持つことを示す。 我々は,新しいユニバーサルグラフニューラルネット(GNN),ユニバーサルユークリッド運動不変点クラウドネットワーク,およびユークリッド運動不変メッセージパッシング(MP)GNNを提案する。
  論文  参考訳（メタデータ） (2021-10-07T11:05:23Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• GradInit: Learning to Initialize Neural Networks for Stable and Efficient Training [59.160154997555956]
  ニューラルネットワークを初期化するための自動化およびアーキテクチャ手法であるgradinitを提案する。 各ネットワーク層の分散は、SGDまたはAdamの単一ステップが最小の損失値をもたらすように調整される。 また、学習率のウォームアップを伴わずに、オリジナルのPost-LN Transformerを機械翻訳用にトレーニングすることもできる。
  論文  参考訳（メタデータ） (2021-02-16T11:45:35Z)
• Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
  本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。 提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。 2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-12-23T09:33:11Z)

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。