AgentSSL: Can MLE Agents Leverage Unlabeled Data?

AI 摘要

研究者提出 Agentic Semi-Supervised Learning（AgentSSL），将半监督学习重构为程序搜索问题，考察机器学习工程（MLE）智能体在标注数据稀缺、无标注数据充足的条件下如何自动生成代码。实验显示，在反馈信号较弱且计算量匹配的情况下，智能体合成的程序在 12 个设定中有 8 个超过最强人工基线，最高提升 21.8%；但按智能体自身反馈指标挑选程序时性能最多下降 47%，程序选择成为关键瓶颈。为此作者构建了包含 16,977 个智能体生成与人工设计半监督程序的基准 ProgramSelectBench，并在真实生态检测任务上评估了策略迁移的机会与挑战。