Гибридный алгоритм автоматизированного подбора моделей и датасетов на основе деревьев решений и больших языковых моделей AIONet
Журнал: Инфокоммуникационные технологии @ikt-psuti
Рубрика: Новые информационные технологии
Статья в выпуске: 1 (93) т.24, 2026 года.
Бесплатный доступ
В статье рассматривается адаптивный алгоритм автоматизированного подбора и обучения моделей машинного обучения AIONet (Adaptive Intelligent Optimization Network), основанный на интеграции методов деревьев решений и больших языковых моделей (LLM). Проводится сравнительный анализ возможностей классического алгоритма дерева решений и современных LLM в задаче поиска подходящих моделей и датасетов для автоматизированного обучения нейронных сетей. Формулируется гипотеза о том, что объединение дерева решений как структуры первичного логического отбора и LLM как контекстно-зависимого интеллектуального модуля позволяет повысить точность и эффективность выбора моделей и наборов данных по сравнению с использованием каждого подхода по отдельности. Представлены ключевые особенности функционирования алгоритма AIONet, а также его потенциал для применения в системах автоматизации машинного обучения.
Короткий адрес: https://sciup.org/140316414
IDS: 140316414 | УДК: 004.85 | DOI: 10.18469/ikt.2026.24.1.05
AIONet: A hybrid algorithm for automated model and dataset selection based on decision trees and large language models
The article examines an adaptive algorithm for automated selection and training of machine learning models, AIONet (Adaptive Intelligent Optimization Network), based on the integration of decision tree methods and large language models (LLMs). A comparative analysis is conducted of the capabilities of classical decision tree algorithms and modern LLMs in the task of identifying suitable models and datasets for automated neural network training. A hypothesis is formulated that combining a decision tree as a structure for primary logical selection with an LLM as a context-dependent intelligent module can improve the accuracy and efficiency of model and dataset selection compared to using each approach independently. The key features of the AIONet algorithm’s operation are presented, as well as its potential for application in automated machine learning systems.
