Treinamento Interativo: Otimização de Redes Neurais Orientada por Feedback

Interactive Training: Feedback-Driven Neural Network Optimization

October 2, 2025

Autores: Wentao Zhang, Yang Young Lu, Yuntian Deng

cs.AI

Resumo

O treinamento tradicional de redes neurais geralmente segue receitas de otimização fixas e predefinidas, carecendo da flexibilidade para responder dinamicamente a instabilidades ou problemas emergentes durante o treinamento. Neste artigo, apresentamos o Treinamento Interativo, um framework de código aberto que permite intervenções em tempo real e orientadas por feedback durante o treinamento de redes neurais, seja por especialistas humanos ou agentes de IA automatizados. No cerne do Treinamento Interativo, um servidor de controle media a comunicação entre usuários ou agentes e o processo de treinamento em andamento, permitindo que os usuários ajustem dinamicamente hiperparâmetros do otimizador, dados de treinamento e pontos de verificação do modelo. Por meio de três estudos de caso, demonstramos que o Treinamento Interativo alcança maior estabilidade no treinamento, reduz a sensibilidade aos hiperparâmetros iniciais e melhora a adaptabilidade às necessidades evolutivas dos usuários, abrindo caminho para um futuro paradigma de treinamento onde agentes de IA monitoram autonomamente os logs de treinamento, resolvem proativamente instabilidades e otimizam a dinâmica do treinamento.

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.