GenAutoML：时间序列分析中动态架构生成和优化的代理框架

设计用于时间序列预测和异常检测的神经架构仍然是一项资源密集型任务，通常需要大量的领域专业知识。传统的自动机器学习 (AutoML) 系统通常依赖静态、预定义的搜索空间，限制了它们适应不同数据特征的能力。我们推出 GenAutoML，这是一个代理框架，利用 大语言模型 (LLM) 作为神经架构师来桥接自然语言需求和可执行的 PyTorch 实现。该框架包含用于自主代码细化的沙盒反射循环和用于增强架构一致性和执行安全性的签名感知运行时。为了提高非平稳条件下的鲁棒性，我们进一步引入了动态可逆实例归一化（Dyn-RevIN）包装器。 ETTh1、ETTm1 和 Weather 基准测试的实验表明，GenAutoML 可以动态生成针对数据集特征定制的特定于任务的神经架构。在生成的模型中，WaveInterferenceNet 实现了每个样本的推理延迟低于 0.01 毫秒，同时保持了有竞争力的预测性能。通过强调计算效率、架构适应性和稳定的优化行为，GenAutoML 能够创建适合资源受限和延迟敏感的边缘 AI 部署的超轻量级神经网络。