摘要
近期涌现出许多端到端解决研究问题的自研究(autoresearch)Agent,旨在自动化耗时的人工劳动并定制机器学习解决方案。本文研究了此类系统的核心建模流水线,识别其在处理表格数据集时的常见失败模式:重复修复相同错误导致计算浪费、未能充分利用剩余预算调整超参数、树搜索算法缺乏探索性以及数据分析未用于下游决策。通过引入全局调试顾问以共享运行时约束、提示与控制层面的增强以及优化的树搜索算法,我们成功恢复了被浪费的计算资源。结果表明,仅通过代理设计即可显著提升性能,而无需更换底层语言模型。
AI 推荐理由
论文聚焦于Autoresearch Agent的任务规划与搜索策略优化,通过改进树搜索算法和调试机制解决规划中的计算浪费问题。
研究机构
哥伦比亚大学计算机科学系
乔治城大学初始部门
哥伦比亚大学AI、分析与未来工作部
哥伦比亚大学应用数学与物理学系
哥伦比亚大学统计学系
Capital One
哥伦比亚大学电气工程系
论文信息