SPIO：基于 LLM 的自动数据科学中的序列计划集成与优化
人工智能
2026-01-08 v2 计算与语言
机器学习
多智能体系统
摘要
大型语言模型(LLM)已在自动数据分析中实现动态推理，但近期多智能体系统仍受限于僵化的单路径工作流程，这会限制战略探索并常常导致次优结果。为克服这些限制，我们提出SPIO（Sequential Plan Integration and Optimization，即顺序计划集成与优化），一个取代僵化工作流程的框架，通过四个核心模块实现自适应、多路径规划：数据预处理、特征工程、模型选择和超参数调优。在每个模块中，专用智能体生成多样化的备选策略，随后由优化智能体级联和细化。SPIO提供两种运行模式：SPIO-S用于选择单个最优管道，SPIO-E用于对ensembling top-k管道以最大化鲁棒性。对Kaggle和OpenML基准的广泛评估显示，SPIO consistently优于最先进的基线，平均性能提升5.6%。通过显式探索和集成多个解决方案路径，SPIO为自动数据科学提供了更灵活、准确和可靠的基础。
引用
@article{arxiv.2503.23314,
title = {SPIO: Ensemble and Selective Strategies via LLM-Based Multi-Agent Planning in Automated Data Science},
author = {Wonduk Seo and Juhyeon Lee and Yanjun Shao and Qingshan Zhou and Seunghyun Lee and Yi Bu},
journal= {arXiv preprint arXiv:2503.23314},
year = {2026}
}
备注
Under Review