自动研究(AutoResearch)在光伏板分割中的启示
Insights from Autoresearch for Solar Panel Segmentation
Justinas Lekavicius · Kursat Komurcu · Valentas Gruzauskas · Linas Petkevicius
中文摘要
研究 AutoResearch 协议:由代码语言模型在一小时 GPU 预算下编辑训练程序,仅当验证集交并比(IoU)提升时才保留改动。该协议被应用于固定真实图像划分上的光伏板分割任务,以 DeepLabV3-ResNet-50 为冻结基线模型。共开展三组、每组 24 次实验,分别使用 Gemma 4 12B、Qwen3-8B 等模型,均超过各自的一小时基线,但被保留的修改无法跨硬件迁移。基于 Qwen3-8B、仅使用真实图像训练的方案在测试集上取得 0.836 的 IoU,优于参考 GAN 数据增强方案的 0.833。
关键要点
- 01问题:探索代码语言模型在固定 GPU 预算下自动迭代训练流程的协议可行性。
- 02方法:在一小时 GPU 预算内由模型修改训练程序,以验证集 IoU 是否提升作为保留依据,在光伏板分割任务上固定 DeepLabV3-ResNet-50 基线。
- 03实验:三组 24 次实验,使用 Gemma 4 12B、Qwen3-8B 等模型,均超过对应基线。
- 04结果:Qwen3-8B 仅用真实图像即达 0.836,略胜参考 GAN 增强方案的 0.833。
- 05局限:被保留的修改无法跨硬件迁移,泛化能力受限。
解读
尚无解读。
原始英文摘要
arXiv:2610.10491v1 Announce Type: new Abstract: This paper investigates AutoResearch, a protocol in which a coding language model edits a training program under a one-hour GPU budget and retains a change only if validation IoU improves. The protocol is applied to photovoltaic panel segmentation on a frozen real-image split, with DeepLabV3--ResNet-50 held fixed. Three campaigns of 24 experiments, using Gemma~4 12B, Qwen3-8B all improve their one-hour baselines, but retained modifications do not transfer across hardware. The Qwen3-8B configuration, trained on real images only, reaches a test IoU of 0.836 versus 0.833 for the reference GAN-augmented schedule. Research repository https://github.com/VU-AIML/automl4eo-autoresearch-segmentation.