arXiv cs.AI· Ethan Lin, Akanksha Sarkar, Ziang Liu, Kristin Branson, Jennifer J. Sun·· 1 天前AI 评分38
AgentSSL：MLE 智能体能否利用无标注数据？
AgentSSL: Can MLE Agents Leverage Unlabeled Data?
AI 导读
研究提出 AgentSSL，将半监督学习重构为程序搜索问题，考察 MLE 智能体在标注稀缺场景下的表现。在弱反馈与同等算力下，智能体合成的代码在 12 个设置中有 8 个超过最强人工基线，最高提升 +21.8%。但按智能体反馈指标选择程序会使性能最多下降 47%，为此作者构建含 16,977 个程序的 ProgramSelectBench 基准，并在真实生态检测任务上评估迁移效果。
正文 · AI 翻译
摘要：将机器学习系统应用于新领域，会在标注数据获取和人工流程工程两方面引入瓶颈。尽管近期的 MLE 智能体在自动化流程设计方面展现出潜力，但相关研究几乎都局限于全监督设置，尚未在标注数据稀缺而未被标注数据丰富的现实场景中接受检验。在本工作中，我们提出智能体半监督学习（AgentSSL），将 SSL 视为程序搜索问题，并研究智能体在有限监督下如何探索这一空间。我们发现，即使在弱反馈和同等计算量下，智能体也能合成结合并适配既有 SSL 技术的代码，在 12 个设置中的 8 个上超越最强的人工设计基线，最高提升 +21.8%。然而，我们的结果指出程序选择是 AgentSSL 的关键瓶颈：当依据智能体的反馈指标进行选择时，性能下降幅度可达 47%。为系统研究这一瓶颈，我们提出 ProgramSelectBench，这是一个大规模基准，共包含 16,977 个由智能体生成和人工设计的 SSL 程序，并评估了无监督和主动式程序选择方法。我们进一步在真实世界的生态检测任务上评估 AgentSSL，凸显了将智能体发现的策略迁移到受控基准之外所面临的机遇与挑战。
| 评论： | NeurIPS 2026。项目网站：this https URL |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2611.17323 [cs.AI] |
| （或 arXiv:2611.17323v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.17323 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ethan Lin [查看邮箱]
[v1]
2026年11月12日 星期四 18:59:06 UTC（4,738 KB）
来源：arXiv cs.AI · arxiv.org