SPIO：基于大型语言模型的多智能体规划的集成与选择策略在自动化数据科学中的应用
本研究针对自动化数据分析和机器学习中多智能体系统的单路径工作流限制问题，提出了一种新颖的框架SPIO，通过大型语言模型驱动的决策实现对数据预处理、特征工程、建模和超参数调优等关键模块的优化规划。研究表明，SPIO在多项Kaggle和OpenML数据集上的实验中性能显著优于现有方法，显示了其在自动化数据科学任务中的强大和可扩展性。
本研究提出了一种新框架SPIO，旨在优化多智能体系统中的数据分析工作流。SPIO利用大型语言模型提升数据预处理和特征工程的效率，实验结果表明其在Kaggle和OpenML数据集上表现优异，具备良好的可扩展性。
