وكلاء البحث الاصطناعي للتعلم الآلي: البحث والاستكشاف والعمومية في معيار MLE-bench

تظهر وكالات البحث في الذكاء الاصطناعي إمكانات كبيرة لتسريع التقدم العلمي من خلال تلقائيّة تصميم وتنفيذ وتدریب نماذج التعلم الآلي. نركز على طرق تحسين أداء هذه الوكالات في معيار MLE-bench، وهو معيار صعب حيث تنافس الوكالات في مسابقات Kaggle لحل مشاكل التعلم الآلي الحقيقية. نقوم بتصویر وكالات البحث في الذكاء الاصطناعي كسياسات بحث تتنقل عبر فضاء الحلول المرشحة، مع تعديلها بشكل متكرر باستخدام العمليات. من خلال تصميم وتغيير منهجي لمجموعات العمليات المختلفة وسياسات البحث (الجشعية، MCTS، التطورية)، نوضح أن تفاعلھما حاسم لتحقيق الأداء العالي. أفضل زوج من استراتيجية البحث ومجموعة العمليات لدينا حقق نتيجة رائدة في مجال MLE-bench lite، حيث زاد معدل النجاح في الحصول على ميدالية Kaggle من 39.6% إلى 47.7%. يؤكد بحثنا على أهمية النظر المشترك إلى استراتيجية البحث، تصميم العمليات، ومنهجية التقييم في تقدیم التعلم الآلي المُتَلقِّن. 请注意，为了保持专业性和信息完整性，我保留了部分专有名词的英文形式（如MLE-bench, Kaggle, MCTS）。在实际应用中，如果这些名词有被广泛接受的阿拉伯语翻译，建议使用。