Helmsman：通过协作 LLM 智能体实现联邦学习系统的自主综合
人工智能
2025-12-22 v2
摘要
联邦学习（FL）提供了一种在去中心化数据上训练模型的强大范式，但其潜力常因设计和部署稳健系统的巨大复杂性而受到限制。需要选择、组合和调优应对数据异构性和系统约束等多方面挑战的策略，已成为瓶颈，导致脆弱且定制化的解决方案。为此，我们引入Helmsman，一个自动从高级用户规范中综合联邦学习系统的多智能体系统。它通过三个协作阶段模拟原则性的研发工作流程：（1）交互式人类在环规划以制定合理的研究计划，（2）由受监督的智能体团队进行模块化代码生成，（3）在沙盒化模拟环境中进行自主评估和迭代。为确保严格评估，我们还引入了AgentFL-Bench，一个新的基准，包含16个多样化任务，用于评估智能体系统在FL中的系统级生成能力。大量实验表明，我们的方法生成的解决方案与既定的手工基线相当，甚至常常优于后者。我们的工作标志着自动化工程复杂去中心化AI系统的重要一步。
引用
@article{arxiv.2510.14512,
title = {Helmsman: Autonomous Synthesis of Federated Learning Systems via Collaborative LLM Agents},
author = {Haoyuan Li and Mathias Funk and Aaqib Saeed},
journal= {arXiv preprint arXiv:2510.14512},
year = {2025}
}