基于验证门控与专家指导型自演化技能的机器学习流水线合成

大型语言模型的最新进展使智能体系统能够根据极少的用户输入自动构建机器学习流水线。然而，现有的智能体式 AutoML 方法要么依赖限制适应性的僵化模板，要么面向狭窄的任务领域，要么依赖缺乏可靠性保障的自由形式代码生成，导致中间错误悄然传播并降低最终模型性能。我们提出 EvoML，这是一种端到端机器学习流水线合成的智能体框架，建立在可跨运行演化的专家指导型技能之上，并通过验证门控框架执行。该框架将流水线构建分解为四个阶段，由三个智能体协同完成：Orchestrator 负责实施验证门控，仅在每个阶段的输出通过结构、执行和语义检查后才推进，从而阻止错误传播，并确保每个产物均可审计；Executor 负责运行专家指导型技能，这些技能以 nnU-Net 工作流为基础，将可复用模板与在线适应相结合；Curator 负责运行后的演化，将一次运行中提取的脚本和指导信息整合到技能库中，使其在不同数据集上持续改进。我们在涵盖六种复杂现实世界机器学习任务类型的八个数据集上评估了 EvoML，并将其与智能体式 AutoML 系统及命令行编程工具进行了比较。EvoML 在全部八个数据集上均实现了完全自动化，并取得了最佳的最终模型质量，覆盖分割任务（Dice 最高达 0.94）、分类任务（准确率 0.99）、重建任务（SSIM 最高达 0.95）和去噪任务（归一化 PSNR 达 0.79），同时还能迁移到更广泛的机器学习任务中。