Wentao Zhang Yang Young Lu Yuntian Deng

要約

従来のニューラルネットワークの学習は、固定された事前定義された最適化の手順に従うことが一般的であり、学習中の不安定性や新たな問題に対して動的に対応する柔軟性に欠ける。本論文では、人間の専門家または自動化されたAIエージェントが、ニューラルネットワークの学習中にリアルタイムでフィードバックに基づいた介入を可能にする、オープンソースのフレームワーク「インタラクティブトレーニング」を提案する。このフレームワークの中心となるのは、ユーザーまたはエージェントと進行中の学習プロセスとの間で通信を仲介するコントロールサーバーであり、これによりユーザーが最適化手法のハイパーパラメータ、学習データ、モデルのチェックポイントを動的に調整できる。3つの事例研究を通じて、インタラクティブトレーニングが優れた学習の安定性を実現し、初期のハイパーパラメータに対する感受性を低減するとともに、変化するユーザーのニーズへの適応性を向上させることを示した。これにより、AIエージェントが学習ログを自律的に監視し、不安定性を事前に検知して解決し、学習ダイナミクスを最適化する未来の学習パラダイムの実現に向けた道筋が示された。