# 自动化机器学习

多智能体大语言模型框架把神经网络调参限定在指定功能模块上，网络整体结构保持不变。此前这类关键组件多由人工选择，且已有智能体系统通常优化整个机器学习脚本或从文本描述搭建网络。框架由分析师、编码员和记录员三个角色组成，配合沙箱执行环境与实验日志，在五个任务上均优于基线：MNIST分类准确率提高13个百分点，Digits提高6个百分点，广义非线性薛定谔方程单孤子问题的相对误差降低约2491倍，守恒误差在选定运行中降低约325倍，Kuramoto–Sivashinsky问题的质量漂移降低14倍。

多智能体大语言模型框架把神经网络调参限定在指定功能模块上，网络整体结构保持不变。此前这类关键组件多由人工选择，且已有智能体系统通常优化整个机器学习脚本或从文本描述搭建网络。框架由分析师、编码员和记录员三个角色组成，配合沙箱执行环境与实验日志，在五个任务上均优于基线：MNIST分类准确率提高13个百分点，Digits提高6个百分点，广义非线性薛定谔方程单孤子问题的相对误差降低约2491倍，守恒误差在选定运行中降低约325倍，Kuramoto–Sivashinsky问题的质量漂移降低14倍。

该工作提出 CleanSurvival，一个基于强化学习（Q-learning）的自动化数据预处理框架，专门面向删失数据的时间到事件（生存分析）模型：它从数据插补、异常值检测与特征提取技术的组合中，为 Cox、随机森林、神经网络或用户自定的时间到事件模型挑选最优预处理流程；在真实数据集基准上，这种基于 Q-learning 的预处理相对简单基线提升了预测表现，运行时间行为依条件而定，并在覆盖最充分的基准单元中最清晰可解释；模拟研究进一步显示其在不同类型与程度的缺失和噪声下均有效。

该工作提出 CleanSurvival，一个基于强化学习（Q-learning）的自动化数据预处理框架，专门面向删失数据的时间到事件（生存分析）模型：它从数据插补、异常值检测与特征提取技术的组合中，为 Cox、随机森林、神经网络或用户自定的时间到事件模型挑选最优预处理流程；在真实数据集基准上，这种基于 Q-learning 的预处理相对简单基线提升了预测表现，运行时间行为依条件而定，并在覆盖最充分的基准单元中最清晰可解释；模拟研究进一步显示其在不同类型与程度的缺失和噪声下均有效。