Машинное обучение с подкреплением требует множества экспериментов, фиксации метрик, конфигураций и артефактов. Инструменты отслеживания экспериментов машинного обучения сокращают время настройки и способствуют воспроизводимости. В работе проведён двухэтапный сравнительный анализ восьми инструментов, где лидерами по сумме баллов стали: ClearML, MLflow, Weights & Biases. Для исследовательского стенда машинного обучения с подкреплением был выбран Weights & Biases за качество SDK, возможность академического доступа и интеграции с популярными библиотеками. Результаты планируется использовать при описании методики экспериментов по влиянию сетевой топологии на алгоритмы машинного обучения с подкреплением в геораспределённых средах.

Сорокин Н.А. (науч. рук. Филянин И.В.) Сравнительный анализ инструментов отслеживания экспериментов машинного обучения с подкреплением // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. – СПб: Университет ИТМО, [2026]. URL: https://kmu.itmo.ru/digests/article/16452