Interaktives Training: Feedback-gesteuerte Optimierung neuronaler Netze

Interactive Training: Feedback-Driven Neural Network Optimization

October 2, 2025

papers.authors: Wentao Zhang, Yang Young Lu, Yuntian Deng

cs.AI

papers.abstract

Das traditionelle Training von neuronalen Netzen folgt in der Regel festgelegten, vordefinierten Optimierungsabläufen und verfügt nicht über die Flexibilität, dynamisch auf Instabilitäten oder auftretende Trainingsprobleme zu reagieren. In diesem Artikel stellen wir Interactive Training vor, ein Open-Source-Framework, das eine Echtzeit-Intervention durch menschliche Experten oder automatisierte KI-Agenten während des Trainings neuronaler Netze ermöglicht. Kern des Interactive Training ist ein Kontrollserver, der die Kommunikation zwischen Benutzern oder Agenten und dem laufenden Trainingsprozess vermittelt. Dadurch können Benutzer dynamisch Hyperparameter des Optimierers, Trainingsdaten und Modell-Checkpoints anpassen. Anhand von drei Fallstudien zeigen wir, dass Interactive Training eine überlegene Trainingsstabilität, eine reduzierte Empfindlichkeit gegenüber initialen Hyperparametern und eine verbesserte Anpassungsfähigkeit an sich entwickelnde Benutzeranforderungen erreicht. Dies ebnet den Weg für ein zukünftiges Trainingsparadigma, in dem KI-Agenten Trainingsprotokolle autonom überwachen, proaktiv Instabilitäten beheben und die Trainingsdynamik optimieren.

English

Traditional neural network training typically follows fixed, predefined optimization recipes, lacking the flexibility to dynamically respond to instabilities or emerging training issues. In this paper, we introduce Interactive Training, an open-source framework that enables real-time, feedback-driven intervention during neural network training by human experts or automated AI agents. At its core, Interactive Training uses a control server to mediate communication between users or agents and the ongoing training process, allowing users to dynamically adjust optimizer hyperparameters, training data, and model checkpoints. Through three case studies, we demonstrate that Interactive Training achieves superior training stability, reduced sensitivity to initial hyperparameters, and improved adaptability to evolving user needs, paving the way toward a future training paradigm where AI agents autonomously monitor training logs, proactively resolve instabilities, and optimize training dynamics.