多智能体协调的对话式AutoML系统:融合蒙特卡洛树搜索与集成学习的自动化机器学习框架
《Electronics》:Conversational AutoML with Multi-Agent Architecture and Monte Carlo Tree Search for Hyperparameter Optimization
【字体:
大
中
小
】
时间:2026年09月24日
来源:Electronics 2.9
编辑推荐:
自动机器学习(AutoML)降低了应用机器学习的技术门槛,但现有系统仍然需要专业知识、优化效率不高,且很少支持对话式使用。我们提出了一种具有五智能体架构的对话式 AutoML 系统,各智能体通过自然语言协同工作,在重复交叉验证条件下,利用蒙特卡洛树搜索(MCTS)和贝叶斯优化
自动机器学习(AutoML)降低了应用机器学习的技术门槛,但现有系统仍然需要专业知识、优化效率不高,且很少支持对话式使用。我们提出了一种具有五智能体架构的对话式 AutoML 系统,各智能体通过自然语言协同工作,在重复交叉验证条件下,利用蒙特卡洛树搜索(MCTS)和贝叶斯优化对随机森林及梯度提升模型(XGBoost、LightGBM 和 CatBoost)进行调优。其独特之处在于**集成协调器**:各专用优化智能体并发调优不同模型族,由协调器将其输出与最强基线模型融合为堆叠集成模型,仅在交叉验证表明集成模型优于最佳单一模型时才部署。这一架构分离了两项可量化的收益:并行搜索带来的加速以及集成融合带来的精度提升。在六个基准数据集(五个分类数据集和一个回归数据集)上,多智能体协调器在每个数据集上均取得最优或并列最优成绩,并且是唯一在平均收益上优于默认配置的架构(+0.20 pp,而单智能体 MCTS 为 ?0.69 pp);其整体搜索速度比单智能体贝叶斯基线快 倍,且在所有数据集上系统性优于单智能体 MCTS(Wilcoxon 符号秩检验,p = 0.031)。尽管个别数据集上观察到精度提升,但在经过多重比较校正后均未达到统计显著性水平。对于分类任务,我们还额外报告了 F1 分数、精确率、召回率和 AUC-ROC(受试者工作特征曲线下面积)。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号