AI Papers Daily

#Auditable

2 篇

Interactive Training 2: Auditable Control Plane for Live Model Training

交互式训练2：实时模型训练的可审计控制平面

🧭 交互式训练控制平面

University of Waterloo · University of Wisconsin-Madison

提供开源控制平面，通过共享协议让人类和智能体对训练过程进行实时、可审计的操控

📌 工作参考价值（4 点）

• 在线训练动态调参：在电商推荐模型持续训练中，可以借鉴其声明式暴露学习率、dropout 等设置，让算法工程师或自动调参 Agent 通过统一接口实时调整，无需重启训练任务。
• Agent 驱动的训练编排：将训练控制能力抽象为 Action（如保存检查点、回滚、切换数据源），LLM Agent 可根据监控指标自动决策并提交请求，例如检测到 loss 异常时自动触发回滚和告警，适合广告模型频繁迭代的场景。
• 审计与复现：所有控制请求和结果按时间线记录，可回溯谁在何时做了何种干预，满足工业级模型训练的合规与排障需求，类似模型版本的 Git 日志。
• 工程实现参考：其“训练循环负责安全控制点”的设计模式可直接复用，在现有训练框架中插入轻量级控制平面，避免多控制器并发冲突，保证状态一致性。

Training | 2026-07-16 | HF Daily | score 6/10

Interactive TrainingControl PlaneLLM AgentAuditableOpen-SourceTraining Steering

Bridging the Last Mile of Time Series Forecasting with LLM Agents

用 LLM Agent 打通时间序列预测的最后一公里

🧭 LLM Agent · 预测修正与业务落地 ★ 深度解读

Trip.com Group

提出以 LLM agent 对统计基线预测进行可溯、约束化的业务修正，将上下文信息转化为结构化修订动作。

📌 工作参考价值（4 点）

• 预测修正的工程化模式：将统计基线预测与业务修正解耦，把修正动作封装为可审计的操作（范围缩放、点位覆写），可直接用于电商需求计划、促销备货等场景，把运营经验结构化地注入到预测中。
• Agent 工作区设计：共享的表格式工作区（历史值、基线预测、可编辑修订值）保证历史与基线不可变，所有修订仅作用于 y_final，避免模型幻觉污染原始信号，这种“受控编辑”的思路可复用于推荐系统中的打分后调整或多策略融合。
• 长时预测的 map-reduce 分解：将长预测区间拆分为事件窗口并行推理，再通过统一动作接口合并，适合电商大促期的多活动多时段调优，提升推理效率且保持可审查性。
• 基于记忆的自我改进闭环：在真实值出现后生成校准反思，存为结构化记忆，后续预测时优先检索历史修正错误，避免重复犯错，该机制可直接用于推荐系统的 A/B 后评估与在线参数的自适应调整。

Agent | 2026-06-01 | cs.AI | score 10/10

Time Series ForecastingLLM AgentForecast RevisionAuditableMemory ReflectionMap-Reduce Decomposition