Компьютерные науки > Машинное обучение [представлено 17 апреля 2026 (v1), последнее пересмотренное 19 октября 2026 года (эта версия, v2)) Название: LLM как инструмент, но не агент: Кодовые преобразования деревьев для поиска Neural Architecture View PDF HTML (экспериментальное) резюме: Поиск Neyoral Aрхитектуры (NAS) имеет целью автоматически обнаружить высокоэффективную глубокую нейронную сеть (DNN). Вместе с тем для обеспечения возможности выполнения требований, что ограничивает проведение исследований открытого состава, в рамках обычной алгоритмической системы НАС использует тщательно оборудованные вручную поисковые пространства. Последние агентические подходы, основанные на кодировании с использованием крупных языковых моделей (МЛМ), уменьшают дизайн вручную, однако нынешние МЛМ пытаются надежно создать сложные и обоснованные архитектуры, а их предложения зачастую предрасположены к узкому набору схем, наблюдаемых в их учебных данных. Для того чтобы совместить надёжный алгоритмический поиск с мощными средствами LLM, мы предлагаем LMASTool — иерархическую систему NAS на базе деревьев для стабильной и открытой эволюции моделей. Наш метод автоматически выводит из произвольного исходного кода многоразовые модули и представляет собой целую архитектуру как иерархические деревья, что позволяет эволюционировать через надежные преобразования деревьев, а не закодированное поколение. На каждом этапе эволюции планирование на крупном уровне регулируется алгоритмом, ориентированным на…
LLM как инструмент, а не агент: изменения в коде деревьев для поиска нейронной архитектуры
arXiv:2604.16555v2 Annualce Type: заменить кросс-бюллетень: Naural Architecture Search (NAS) имеет своей целью автоматически открыть высокоэффективные структуры глубоких нейронных сетей (DNN). Вместе с тем для обеспечения возможности выполнения требований, что ограничивает проведение исследований открытого состава, в рамках обычной алгоритмической системы НАС использует тщательно оборудованные вручную поисковые пространства. Последние агентические подходы, основанные на кодировании с использованием крупных языковых моделей (МЛМ), уменьшают дизайн вручную, однако нынешние МЛМ пытаются надежно создать сложные и обоснованные архитектуры, а их предложения зачастую предрасположены к узкому набору схем, наблюдаемых в их учебных данных. Для того чтобы совместить надёжный алгоритмический поиск с мощными средствами LLM, мы предлагаем LMASTool — иерархическую систему NAS на базе деревьев для стабильной и открытой эволюции моделей. Наш метод автоматически выводит из произвольного исходного кода модули, которые можно использовать, и представляет собой полную архитектуру как иерархические деревья, что позволяет эволюционировать посредством надежных преобразований деревьев, а не через код генератио