ニューラル技術ベンチャー大手NVIDIAは、Federated Learning研究を効率化するAI駆動型自動実験ループAuto-FLをオープンソースのFLプラットフォームNVIDIA FLAREへ追加発表した。本フレームワークは、AIエージェントが自律的にFL戦略を検証・最適化するための制御面と再現性保証機能を提供し、研究開発のスピードと信頼性を同時に向上させる。 FL研究では、新たな集計ルールや最適化パラメータの試行錯誤が日常化するが、実験条件の不一致や評価指標の不公平さが再現性を損なう課題が長年あった。Auto-FLはこの問題に対し、固定されたベンチマーク契約と制約付き変異面を導入。AIエージェントはprogram.mdという制御面に基づき、変更可能な範囲内でのみ戦略を改変し、固定された計算予算で試験を実行する。実験結果は実験台帳に記録され、エージェントがスコアを抽出して候補の維持・収斂・破棄を判断する構造となっている。 同システムの中核は、探索が停滞した際に自動的に文献レビューループへ移行する文献ベースの回復機能だ。エージェントは現在の最良モデルと失敗例を台帳から分析し、学術論文から解決策を抽出して契約安全な候補として実験ループへ再投入する。これにより、無意味な局所最適化を回避し、根拠のある研究方向へ誘導する。 Auto-FLの構成要素には、FLAREのAPIを統合するタスクプロファイル、複数の集計アルゴリズムをサポートするカスタムフック、進捗可視化ツール、そして最終的な実験レポートを自動生成するスキルが含まれる。レポートにはベースラインと最良スコア、所要時間、破棄候補の記録、次の実験提案が一覧化され、研究者が自律実験の結果を迅速にレビューできる。 実証試験では、CIFAR-10の非独立同分布データ分割シミュレーションと、医療画像向けVLMのLoRA微調タスクが採用された。後者のケースでは、三つの医療データサイト間でfederated学習を実施。Auto-FLが探索した戦略は、特に困難な外部分布データにおいてゼロショットや標準FedAvgを大幅に上回るトークンレベルF1スコアを達成した。 NVIDIAは本フレームワークを固定スキャフォールドではなく、柔軟に拡張可能なパターンとして位置付けている。研究者はデータセット、評価指標、変異制約を定義したタスクプロファイルを設定するだけで、既存のAuto-FLスキルを活用できる。計算予算の固定と評価尺度の一貫性維持を徹底することで、AIエージェントの反復作業から研究者は高次な設計に集中可能となる。Auto-FLは、FL研究のブラックボックス化を防ぎ、再現性と探索効率を両立する実用的なインフラとして提供を開始した。