MOSAIC 框架：結構化代理式自動資料科學新突破

自動資料科學本質上是一個結構化的模型選擇問題，需同時決定資料轉換、特徵表示、模型架構、訓練流程、評估方式與後續精進策略。傳統 AutoML 系統只能在預先定義的管線、模型與超參數空間內搜尋，彈性受限。

MOSAIC 框架概述

MOSAIC（Modular Orchestration for Structured Agentic Intelligence and Composition）提出一套記憶化、語意化的代理式框架，將模型選擇與工作流程建構以結構化方式處理。使用者提供任務說明與資料集後，系統會：

1. 建立語意任務檔案，描述任務需求與限制。
2. 檢索過往案例與來源程式碼模組。
3. 產生藍圖——一種中介表示，列出選定的模型元件、組合方式、介面約束與執行需求。

藍圖將模型選擇轉為分階段、情境化的搜尋，並以檢索到的證據取代無限制的程式碼生成。

執行與優化機制

候選模型在執行階段接受驗證，系統收集訓練軌跡、任務指標與診斷回饋，並透過具備失敗感知的強化學習政策持續調整模型與流程。

金融時間序列案例

研究以金融時間序列的預測與生成為測試場域，模型需同時滿足預測精度、分布忠實度、執行可靠性，以及風險與尾部行為等金融指標。實驗結果顯示，MOSAIC 在任務表現、執行成功率與決策可追蹤性方面均優於傳統 AutoML 與其他代理式基線，證明結構化、可重複使用且以執行為根基的模型選擇方式的效益。

延伸閱讀

• Vesta：結合視覺語言模型的動態統計工具平台，提升資料模型自動化與天文應用
• Compass：以Knowledge Tree驅動的LLM代理進行海洋鉛（Pb）資料抽取與整合
• Persona‑E²：首個結合人格特質的情緒回應資料集

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。