用于超参数优化的 LLM 智能体
计算机视觉与模式识别
2025-06-19 v1
摘要
超参数是通信算法性能的关键因素。然而，当前针对 Warm-Start Particles Swarm Optimization with Crossover and Mutation (WS-PSO-CM) 算法的超参数优化方法主要是基于启发式的，自动化水平较低且性能可提升。在本文中，我们设计了一个用于自动超参数调谋的大语言模型（LLM）智能体，其中应用了迭代框架和模型上下文协议（MCP）。具体而言，首先通过轮廓文件设置 LLM 智能体，指定超参数的边界、任务目标、终止条件、优化超参数的保守或激进策略以及 LLM 配置。然后，LLM 智能体依次调用 WS-PSO-CM 算法进行探索。最后，LLM 智能体基于终止条件退出循环并返回优化后的超参数集。我们的实验结果表明，由我们的 LLM 智能体生成的超参数所实现的最小求和速率显著高于人类启发式方法和随机生成方法。这表明具备 PSO 和 WS-PSO-CM 算法知识的 LLM 智能体在寻求高性能超参数方面是有用的。
引用
@article{arxiv.2506.15166,
title = {Echo-DND: A dual noise diffusion model for robust and precise left ventricle segmentation in echocardiography},
author = {Abdur Rahman and Keerthiveena Balraj and Manojkumar Ramteke and Anurag Singh Rathore},
journal= {arXiv preprint arXiv:2506.15166},
year = {2025}
}
备注
Version of record published in Discover Applied Sciences (Springer Nature). The definitive article is available at https://doi.org/10.1007/s42452-025-07055-5