論文の概要: Validation-Gated ML Pipeline Synthesis with Expert-Grounded Self-Evolving Skills
- arxiv url: http://arxiv.org/abs/2611.04180v1
- Date: Tue, 03 Nov 2026 02:16:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 01:25:33.463424
- Title: Validation-Gated ML Pipeline Synthesis with Expert-Grounded Self-Evolving Skills
- Title(参考訳): エキスパートによる自己進化スキルを用いた検証学習型MLパイプライン合成
- Abstract要約: EvoMLは、専門家が基盤としたスキルに基づいて構築されたエンドツーエンドのMLパイプライン合成のためのエージェントフレームワークで、実行中に進化する。
EvoMLは、エンドツーエンドのMLパイプライン合成のためのエージェントフレームワークであり、実行中に進化するエキスパートグラウンドのスキルに基づいて構築されている。
- 参考スコア(独自算出の注目度): 24.47671066250014
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in large language models have enabled agentic systems that automate machine learning pipeline construction from minimal user input. However, existing agentic AutoML methods either depend on rigid templates that limit adaptability, target narrow task domains, or rely on free-form code generation that lacks reliability guarantees, leaving intermediate errors to propagate silently and degrade the final model. We present EvoML, an agentic framework for end-to-end ML pipeline synthesis built on expert-grounded skills that evolve across runs, executed through a validation-gated harness. The framework decomposes pipeline construction into four phases coordinated by three agents: an Orchestrator that enforces validation gates, advancing each phase only when its outputs pass structural, execution, and semantic checks, which precludes error propagation and keeps every artifact auditable; an Executor that runs expert-grounded skills, grounded in the nnU-Net workflow and pairing reusable templates with online adaptation; and a Curator that performs post-run evolution, consolidating the scripts and guidance recovered during a run into the skill library so it improves across datasets. We evaluate EvoML on eight datasets spanning six sophisticated, real-world ML task types, against agentic AutoML systems and command-line coding tools. EvoML achieves full automation and the best final model quality on all eight, spanning segmentation (up to 0.94 Dice), classification (0.99 accuracy), reconstruction (0.95 SSIM), and denoising (0.79 normalized PSNR), while transferring to broader ML tasks.
- Abstract(参考訳): 大規模言語モデルの最近の進歩により、最小限のユーザ入力から機械学習パイプライン構築を自動化するエージェントシステムが可能になった。
しかし、既存のエージェント型AutoMLメソッドは、適応性を制限する厳格なテンプレートに依存するか、狭いタスクドメインをターゲットにするか、信頼性の保証が欠けているフリーフォームのコード生成に依存している。
EvoMLは、実行中に進化するエキスパートグラウンドのスキルに基づいて構築され、バリデーション付きハーネスを通じて実行されるエンドツーエンドのMLパイプライン合成のためのエージェントフレームワークである。
このフレームワークはパイプライン構築を3つのエージェントによって調整された4つのフェーズに分解する: 検証ゲートを強制するオーケストレータは、出力が構造的、実行的、セマンティックチェックに過ぎず、エラーの伝播を防ぎ、監査可能なすべてのアーティファクトを保持する。
エージェント型AutoMLシステムとコマンドラインコーディングツールに対して、6種類の洗練された実世界のMLタスクタイプにまたがる8つのデータセットでEvoMLを評価する。
EvoMLは全8つの領域にまたがるセグメンテーション(最大0.94ディス)、分類(0.99の精度)、再構成(0.95のSSIM)、復調(0.79の正規化PSNR)の完全自動化と最高の最終モデル品質を達成する。
関連論文リスト
- Turnslide: Scalable Multi-Turn Data Synthesis by Walking a Finite-State Machine [8.704907160190881]
小型の言語モデルは安価でプライベートインフラストラクチャ上で動作可能ですが、ベースモデルはマルチターンツール呼び出しでは不十分です。
我々は、各APIを有限状態マシンとしてモデル化する、完全に自動化された軽量な合成フレームワークを紹介します。
多様性を最適化する代わりに、ターン数、ツールシーケンス、タスクの複雑さに対してターゲット分布を設定しました。
論文 参考訳(メタデータ) (2026-10-05T08:48:26Z) - LLM-Driven Multi-Agent Control for Skill-Based Smart Manufacturing [1.5982741463390921]
LLMベースのエージェントは、オフラインでプロダクションシーケンスを生成し、プログラミングの労力を減らす、オンラインでライブマシンを操作し、静的プログラムが予測できない予期せぬ障害に対処する、という2つの補完的な役割でデプロイできる。
そこで我々は,各工場のモジュールに専用のLCMエージェントとMPPツールサーバを組み合わせて,工場状態のリアルタイム更新によってオーバセットを調整し,接地するソリューションを提案する。
論文 参考訳(メタデータ) (2026-10-01T09:34:25Z) - MTAC-IFBench: Benchmarking Instruction-Following in Multi-Turn Agentic Coding [83.0805548642958]
MTAC-IFBenchは、ソフトウェア開発におけるインストラクションフォローのための包括的なベンチマークである。
6つのプライマリと18のセカンダリカテゴリにまたがるさまざまな制約を持つ、多ターンプログレッシブなソフトウェア開発指示が特徴である。
MTAC-IFBenchは、マルチターン命令フォローにおける既存のコードエージェントの重大な欠陥を認識し、インタラクションセッションが長くなるにつれてパフォーマンスが急速に低下する。
論文 参考訳(メタデータ) (2026-09-14T03:57:37Z) - Model-Driven Discipline for Multi-Agent LLMs: Requirement-to-Verification Generation of Traceable System Models [62.62160094849002]
RADIANTは、MDEとMulti-Agent Large Language Modelを組み合わせたエンジニアリング方法論である。
工学的なフェーズにまたがる異種モデルを自動的に生成する。
正確かつ自動的な変更インパクト分析を提供する。
論文 参考訳(メタデータ) (2026-07-18T08:50:55Z) - ChipMATE: Multi-Agent Training via Reinforcement Learning for Enhanced RTL Generation [55.947962672433675]
ChipMATEは、RTL生成のための最初の自己学習型マルチエージェントフレームワークである。
ChipMATEは産業的な実践に触発され、VerilogエージェントとPythonのリファレンスモデルエージェントをペアにし、相互に出力を検証する。
ChipMATEは、VerilogEval V2で75.0%と80.1%パス@1を4Bと9Bベースモデルで達成している。
論文 参考訳(メタデータ) (2026-05-13T01:04:21Z) - A Multi-Agent Framework for Code-Guided, Modular, and Verifiable Automated Machine Learning [3.6317933453723232]
iMLは、AutoMLをブラックボックスからコード誘導、モジュール化、検証可能なアーキテクチャパラダイムに移行するために設計された、新しいマルチエージェントフレームワークである。
MLE-BENCHと新たに導入されたiML-BENCHをまたいでiMLを評価する。
論文 参考訳(メタデータ) (2026-02-15T00:20:58Z) - FABRIC: Framework for Agent-Based Realistic Intelligence Creation [3.940391073007047]
大規模言語モデル(LLM)はエージェントとしてますます多くデプロイされ、目標を分解し、ツールを実行し、動的環境で結果を検証することが期待されている。
本稿では,LLMのみを用いたエージェントデータの統一化フレームワークを提案する。
論文 参考訳(メタデータ) (2025-10-20T18:20:22Z) - 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) - 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) - Evolution of Scikit-Learn Pipelines with Dynamic Structured Grammatical
Evolution [1.5224436211478214]
本稿では、動的構造文法進化(DSGE)をScikit-Learn分類パイプラインの進化に適応させる新しい文法ベースのフレームワークについて述べる。
実験結果は、AutoML-DSGEを他の文法ベースのAutoMLフレームワークであるResilient ClassificationPipeline Evolution (RECIPE)と比較することを含む。
論文 参考訳(メタデータ) (2020-04-01T09:31:34Z)
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。