Автоданные: Агентный поиск для предварительного отбора данных

arXiv: 2609.19754v1 Annuales Type: New Abstract: FLM-агенты недавно продемонстрировали свои надежды в автоматизации машинного обучения с помощью модели редактирования и учебного кода, выполняемого на основе обратной связи. Однако данные по-прежнему в значительной степени находятся за пределами этого агентского цикла оптимизации. Мы обрамляем выбор данных до подготовки как эвристическое инженерное средство по отношению к каждому документу, т.е. Лексическая статистика, категоричные знаки и запутанность. Мы введем AutoData, агент который ищет непосредственно по исполняемым алгоритмам отбора. В отличие от предыдущих методов смеси данных, которые оптимизируют весы в фиксированном наборе областей, AutoData ищет более насыщенное программное пространство для чисел, стратификации и стохастических правил выбора, обнаруживая взаимодействие функций автоматически путем итеративной доработки алгоритма с ответами на проверку от опосредованной модели. В ходе ночлега AutoData открывает алгоритм отбора, который превосходит существующие кулинарные трубопроводы, разработанные человеком. Несмотря на то, что его обыскали только на этом маленьком доверенном лице, t