交互式训练：反馈驱动的神经网络优化

Wentao Zhang; Yang Young Lu; Yuntian Deng

交互式训练：反馈驱动的神经网络优化

机器学习 2025-10-03 v1 人工智能计算与语言

作者: Wentao Zhang , Yang Young Lu , Yuntian Deng

摘要

传统神经网络训练通常遵循固定的、预定义的优化配方，缺乏对不稳定性或新出现的训练问题进行动态响应的灵活性。本文我们介绍了交互式训练（Interactive Training），这是一个开源框架，使人类专家或自动 AI 代理能够在神经网络训练过程中进行实时、反馈驱动的干预。交互式训练的核心是使用控制服务器在用户或代理与正在进行的训练过程之间进行中介，以允许用户动态调整优化器的超参数、训练数据和模型检查点。通过三个案例研究，我们展示了交互式训练实现了更好的训练稳定性、对初始超参数的更低敏感性以及对不断变化的用户需求的更好的适应性，为未来训练范式铺平了道路，在该范式中，AI 代理会自主监控训练日志，主动解决不稳定性并优化训练动态。

关键词

交互式训练神经网络优化反馈驱动超参数训练稳定性

引用

@article{arxiv.2510.02297,
  title  = {Interactive Training: Feedback-Driven Neural Network Optimization},
  author = {Wentao Zhang and Yang Young Lu and Yuntian Deng},
  journal= {arXiv preprint arXiv:2510.02297},
  year   = {2025}
}

备注

EMNLP 2025 Demo

交互式训练：反馈驱动的神经网络优化

摘要

关键词

引用

备注

相关论文