連合学習（FL）の研究では、最適化手法のバリエーション、サーバー集約ルール、ローカルトレーニングスケジュール、正規化、正則化、モデルアーキテクチャなど、多くの小さなが重要なアルゴリズム選択が行われます。これらの選択を手動で探索するにはコストがかかり、候補の変更がFLのトレーニングや評価パスを変える可能性がある場合、公平な比較は困難です。Holger R. Roth氏と他の5名の研究者は、制約付きコーディングエージェントワークフローであるAuto-FL-Research（AFR）を提案しました。この研究は2026年7月1日にarXiv（ID: 2607.01366）に提出され、8ページ、5図、6表で構成されています。
AFRでは、エージェントがサーバー集約ルール、クライアント更新スケジュール、ローカル目的関数、登録モデルバリアントなどを含む候補トレーニングアルゴリズムを提案・実装します。タスクプロファイルは突然変異面、計算予算、通信契約、最終モデル評価を固定します。各キャンペーンでは、候補スコア、実行時間、編集ファイル、アーティファクト、失敗ステータスが記録されます。
評価は5つの医療クロスサイロFLambyタスクと、5つの固定LEAFデータセットにLEAF合成タスクを加えたグループ化クライアントプロファイルで実施されました。5シードの反復評価により、4つのFLambyタスクと6つのLEAFプロファイルのうち5つで性能向上が確認されました。同時に、シード依存性や探索選択による失敗事例も明らかになりました。同じ予算の対照実験では、いくつかの改善がFLレシピの変更に対応する一方、他の改善は固定表面スカラー制御で回復されるか、反復評価や保留評価で失敗することが示されました。
これらの混合結果は、エージェント生成の候補を反復可能なFLメカニズム、固定表面調整効果、選択された単一実行アーティファクトに分離できることを示しており、FLアルゴリズムの自動探索における重要な知見を提供します。