Интерактивное обучение: Оптимизация нейронных сетей на основе обратной связи

Interactive Training: Feedback-Driven Neural Network Optimization

October 2, 2025

Авторы: Wentao Zhang, Yang Young Lu, Yuntian Deng

cs.AI

Аннотация

Традиционное обучение нейронных сетей обычно следует фиксированным, заранее заданным рецептам оптимизации, не обладая гибкостью для динамического реагирования на нестабильности или возникающие проблемы в процессе обучения. В данной статье мы представляем Interactive Training — фреймворк с открытым исходным кодом, который позволяет экспертам или автоматизированным ИИ-агентам вмешиваться в процесс обучения нейронных сетей в реальном времени на основе обратной связи. В основе Interactive Training лежит управляющий сервер, который обеспечивает взаимодействие между пользователями или агентами и текущим процессом обучения, позволяя динамически корректировать гиперпараметры оптимизатора, обучающие данные и контрольные точки модели. На примере трех кейсов мы демонстрируем, что Interactive Training обеспечивает повышенную стабильность обучения, сниженную чувствительность к начальным гиперпараметрам и улучшенную адаптируемость к изменяющимся потребностям пользователей, прокладывая путь к новой парадигме обучения, в которой ИИ-агенты автономно отслеживают журналы обучения, активно устраняют нестабильности и оптимизируют динамику процесса.

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.