ProcessML: A Process-Aware Agentic Framework for Service-Oriented Machine Learning Pipeline Generation and Optimization

Yang Gu

doi:10.1109/tsc.2026.3731106

ProcessML: A Process-Aware Agentic Framework for Service-Oriented Machine Learning Pipeline Generation and Optimization

2026-09-07

0

PRE

AI

DOI：10.1109/tsc.2026.3731106

原文链接

原文求助

摘要

En 中文

服务化机器学习流水线的自动化生成与优化作为服务，可显著减轻机器学习工程师的工作负担，并使非专家也能参与机器学习。尽管大型语言模型（LLMs）具备强大的知识和编码能力，但单个LLM通常难以处理端到端的流水线设计，尤其是在日益复杂的跨模态和多领域机器学习任务中。因此，基于LLM的代理框架利用多代理协作已作为一种更有效且可扩展的解决方案出现。然而，现有方法往往未能捕捉流水线组件间的相互依赖关系，或缺乏支持迭代细化的细粒度反馈机制。为解决这些局限性，我们提出了ProcessML，一种面向服务的、具有过程意识的代理框架，用于服务化的机器学习流水线生成与优化，其中机器学习流水线在服务化的生命周期内构建、执行并迭代优化。ProcessML引入了两种关键的过程意识机制：基于上下文依赖的流水线建模，明确捕捉并建模流水线生成过程中的内部依赖关系；以及基于经验反馈的迭代优化，能够从过去的迭代中系统学习以实现细粒度的流水线优化。这些机制共同实现了上下文一致性、持续改进和更自适应的机器学习流水线生成。我们将ProcessML实现为一个面向服务的原型，并在一个先进的真实世界基准上进行了评估。广泛的实验结果表明，ProcessML始终优于现有框架，进一步分析证实了其在机器学习流水线生成与优化中的有效性和鲁棒性。

Keyword:

Large Language Models

Agentic Framework

Service-Oriented

AutoML

Process-Aware Mechanisms

ProcessML: A Process-Aware Agentic Framework for Service-Oriented Machine Learning Pipeline Generation and Optimization

摘要

期刊

机构

引用论文