Interactieve Training: Feedback-Gestuurde Optimalisatie van Neurale Netwerken

Interactive Training: Feedback-Driven Neural Network Optimization

October 2, 2025

Auteurs: Wentao Zhang, Yang Young Lu, Yuntian Deng

cs.AI

Samenvatting

Traditionele training van neurale netwerken volgt doorgaans vaste, vooraf gedefinieerde optimalisatierecepten, wat de flexibiliteit mist om dynamisch te reageren op instabiliteiten of opkomende trainingsproblemen. In dit artikel introduceren we Interactive Training, een open-source framework dat real-time, feedback-gestuurde interventie mogelijk maakt tijdens de training van neurale netwerken door menselijke experts of geautomatiseerde AI-agents. De kern van Interactive Training bestaat uit een controlserver die de communicatie bemiddelt tussen gebruikers of agents en het lopende trainingsproces, waardoor gebruikers dynamisch optimalisatiehyperparameters, trainingsdata en modelcheckpoints kunnen aanpassen. Aan de hand van drie casestudies tonen we aan dat Interactive Training superieure trainingsstabiliteit, verminderde gevoeligheid voor initiële hyperparameters en verbeterde aanpassingsvermogen aan evoluerende gebruikersbehoeften bereikt, wat de weg vrijmaakt naar een toekomstig trainingsparadigma waarin AI-agents trainingslogboeken autonoom monitoren, proactief instabiliteiten oplossen en trainingsdynamieken optimaliseren.

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.