インタラクティブトレーニング：フィードバック駆動型ニューラルネットワーク最適化

Interactive Training: Feedback-Driven Neural Network Optimization

October 2, 2025

著者: Wentao Zhang, Yang Young Lu, Yuntian Deng

cs.AI

要旨

従来のニューラルネットワークのトレーニングは、通常、固定された事前定義された最適化レシピに従っており、不安定さやトレーニング中に発生する問題に対して動的に対応する柔軟性を欠いています。本論文では、Interactive Trainingというオープンソースのフレームワークを紹介します。このフレームワークは、人間の専門家または自動化されたAIエージェントがニューラルネットワークのトレーニング中にリアルタイムでフィードバック駆動型の介入を可能にします。Interactive Trainingの中核では、コントロールサーバーを使用して、ユーザーまたはエージェントと進行中のトレーニングプロセスとの間の通信を仲介し、ユーザーがオプティマイザのハイパーパラメータ、トレーニングデータ、およびモデルのチェックポイントを動的に調整できるようにします。3つのケーススタディを通じて、Interactive Trainingが優れたトレーニング安定性、初期ハイパーパラメータに対する感度の低減、および進化するユーザーニーズへの適応性の向上を実現することを示し、AIエージェントがトレーニングログを自律的に監視し、積極的に不安定さを解決し、トレーニングダイナミクスを最適化する未来のトレーニングパラダイムへの道を開きます。

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.