摘要
自动化数据科学本质上是结构化模型选择问题。现有 AutoML 系统搜索空间受限，而基于 LLM 的代理决策往往缺乏结构且难验证。本文提出 MOSAIC，一种基于记忆的structured agentic框架。它通过构建任务画像、检索历史案例与代码模块，生成指定组件组合与约束的“蓝图”，将模型选择转化为分阶段的上下文搜索。该方法利用执行反馈和强化学习策略优化候选模型，在金融时间序列任务中显著提升了性能、执行成功率及决策可追溯性。
AI 推荐理由
论文核心在于构建结构化蓝图（blueprint），将模型选择转化为分阶段、有约束的规划与组合过程。
研究机构
Department of Computer Science, National University of Singapore
University of Edinburgh
Data & Analytics, Digital X
Alan Turing Institute
论文信息