arXiv cs.LGが2026年8月26日(現地時間)付で公開した論文によると、無線リソース管理のための機械学習アルゴリズム設計において、従来手作業で行われていた設計プロセス全体を自律エージェントに委ねる手法が確立された。この「autoresearch protocol」により、アーキテクチャや損失関数などの決定がAIコーディングエージェントによって自動的に行われ、開発の効率化とコスト削減に寄与するとしている。
無線リソース管理における機械学習アルゴリズムの設計は、そのアーキテクチャ、損失関数、トレーニングレシピなどの要素を手作業で指定するため、多大な労力を要するとされてきた。
本研究では、この設計層全体を自律エージェントに譲渡するアプローチを実証した。AIコーディングエージェントがトレーニングスクリプトを編集し、固定予算内で実験を実行し、単一の不変メトリックに基づいて変更を保持または破棄するautoresearch protocolを採用している。エージェントには、アーキテクチャファミリー、入力表現、出力パラメータ化、損失関数、タスクサンプリング規則に対する権限が与えられた。ターゲットとした課題は、マルチセルネットワークにおけるsum-least-percentile-rate power controlであり、セルエッジのスループットを目標とする非凸、非平滑、NP困難な問題である。
結果の信頼性を保証するため、hash-pinned evaluatorenforced inference contractpre-registered falsifier per experimentといった安全策が講じられた。26時間にわたる81回の無人実験を通じて、エージェントはconverged minorization-maximization referenceの99.5%に単一の固定コスト推論パスで到達した。これにより、推論コストを約600分の1に削減し、最初の機能するアーキテクチャからのギャップの94%を埋めた。特筆すべきは、単一のパラメータセットであらゆるネットワークサイズとパーセンタイルターゲットに対応できた点である。エージェントは調整された定数ではなく、provable structureを回復し、発見された出力パラメータ化は、訓練された重みのあらゆる値に対して、最小パーセンタイルでのexact max-min-optimal allocationを再現することが示された。
参考: arXiv cs.LG (アーカイブ) — 2026年8月27日 02:56 (JST)
原文ハイライト"this design layer can be surrendered to an autonomous agent in its entirety."