Auto-FL-Research：面向联邦学习算法的智能体搜索

联邦学习（FL）研究依赖许多小但关键的算法选择：优化器变体、服务器聚合规则、本地训练日程、归一化、正则化与模型架构。人工探索成本高且当候选变更也可能改变FL训练或评估路径时难以公平比较。我们提出Auto-FL-Research（AFR）：面向FL算法配方搜索的受约束编码智能体工作流。智能体可提议并实现候选训练算法——包括服务器聚合规则、客户端更新日程、本地目标与注册模型变体——任务概况固定变异面、算力预算、通信契约与最终模型评估。每次战役记录候选分数、运行时、编辑文件、工件与失败状态。在五个医疗跨筒FLamby任务与六个LEAF数据集的分组客户端概况上评估：五种子重复评估支持四个FLamby任务与六个LEAF概况中五个的增益——同时暴露种子敏感与搜索选择的失败案例。同预算对照显示部分增益对应FL配方变更、其余由固定面标量控制恢复或在重复或留出评估下失败。