微信扫码
添加专属顾问
我要投稿
自动化机器学习(AutoML)旨在减少人为干预,自动设计可靠的机器学习解决方案。传统的AutoML框架依赖于预定义的搜索空间和固定流程,缺乏适应性,难以应对多样化和动态的数据场景,导致在复杂设置下性能不佳。尽管基于大型语言模型(LLM)的Agent显示出自动化机器学习任务的潜力,但它们在生成多样化和高度优化的代码方面存在不足,通常生成低多样性和次优代码,即使经过多次迭代优化。
本文提出了SELA(Tree-Search Enhanced LLM Agents),一种创新的基于Agent的系统,结合了蒙特卡罗树搜索(MCTS)和LLM Agent以优化AutoML过程。SELA将管道配置表示为树结构,使Agent能够智能地进行实验,并迭代优化其策略,从而更有效地探索机器学习解决空间。通过这种反馈驱动的过程,SELA能够基于实验反馈发现最佳路径,提高解决方案的整体质量。
下图是SELA的工作流程与其他Agent式AutoML框架的对比。
下图是SELA的整体管道运作流程
搜索空间表示:
计划生成过程:
MCTS中的UCT-DP选择函数:
53AI,企业落地大模型首选服务商
产品:场景落地咨询+大模型应用平台+行业解决方案
承诺:免费场景POC验证,效果验证后签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2025-04-28
Trae 新版本增加 MCP、Agent、Rules 等多项功能,立即体验
2025-04-28
通用LLM插件系统——简化工具集成,提升2025年AI的灵活性
2025-04-27
演讲实录:中小企业如何快速构建AI应用?
2025-04-27
Cherry Studio v1.2.9:新增多个MCP特性
2025-04-27
为什么新手比专家更想做垂直领域SFT微调?
2025-04-27
使用MCP进行AI集成的6大理由
2025-04-27
大模型微调技术全景解析:从理论到企业级实践(Python实战增强版)
2025-04-27
主流 Embedding 模型对比
2025-02-04
2025-02-04
2024-09-18
2024-07-11
2024-07-09
2024-07-11
2024-07-26
2025-02-05
2025-01-27
2025-02-01
2025-04-27
2025-04-27
2025-04-23
2025-04-20
2025-04-01
2025-03-31
2025-03-20
2025-03-16