論文の概要: SAFE: Scalable Automatic Feature Engineering Framework for Industrial Tasks

• arxiv url: http://arxiv.org/abs/2003.02556v3
• Date: Mon, 9 Mar 2020 04:47:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 06:34:13.110102
• Title: SAFE: Scalable Automatic Feature Engineering Framework for Industrial Tasks
• Title（参考訳）: SAFE: 産業タスクのためのスケーラブルな自動機能エンジニアリングフレームワーク
• Authors: Qitao Shi, Ya-Lin Zhang, Longfei Li, Xinxing Yang, Meng Li, Jun Zhou
• Abstract要約: そこで本研究では,SAFEと呼ばれるステージ化手法を提案し,高い効率性とスケーラビリティ,必要な解釈可能性,有望な性能を実現する。 その結果, 提案手法は, 他の手法と比較した場合, 高い効率と競争力が得られることがわかった。
• 参考スコア（独自算出の注目度）: 10.927412495381311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning techniques have been widely applied in Internet companies for various tasks, acting as an essential driving force, and feature engineering has been generally recognized as a crucial tache when constructing machine learning systems. Recently, a growing effort has been made to the development of automatic feature engineering methods, so that the substantial and tedious manual effort can be liberated. However, for industrial tasks, the efficiency and scalability of these methods are still far from satisfactory. In this paper, we proposed a staged method named SAFE (Scalable Automatic Feature Engineering), which can provide excellent efficiency and scalability, along with requisite interpretability and promising performance. Extensive experiments are conducted and the results show that the proposed method can provide prominent efficiency and competitive effectiveness when comparing with other methods. What's more, the adequate scalability of the proposed method ensures it to be deployed in large scale industrial tasks.
• Abstract（参考訳）: 機械学習技術はインターネット企業において様々なタスクに広く応用され、重要な推進力として機能し、機械学習システムを構築する際には、機能工学が重要なタッシュとして一般的に認識されている。 近年, 自動機能工学手法の開発への取り組みが活発化しており, 実質的かつ退屈な手作業の解放が図られている。 しかし、産業的なタスクでは、これらの手法の効率性とスケーラビリティはまだ十分ではない。 本稿では,SAFE (Scalable Automatic Feature Engineering) と呼ばれる段階的手法を提案する。 広範な実験を行い,提案手法が他の手法と比較した場合,顕著な効率性と競合性をもたらすことを示した。 さらに,提案手法の十分な拡張性により,大規模産業タスクに展開可能である。

関連論文リスト

• Affordance-Guided Reinforcement Learning via Visual Prompting [51.361977466993345]
  Keypoint-based Affordance Guidance for Improvements (KAGI) は、視覚言語モデル(VLM)によって形成される報酬を自律的なRLに活用する手法である。 自然言語記述によって指定された実世界の操作タスクにおいて、KAGIは自律的なRLのサンプル効率を改善し、20Kのオンライン微調整ステップでタスク完了を成功させる。
  論文  参考訳（メタデータ） (2024-07-14T21:41:29Z)
• Machine learning for industrial sensing and control: A survey and practical perspective [7.678648424345052]
  プロセス産業で実際に成功している重要な統計および機械学習技術を特定する。 ソフトセンシングは、統計学と機械学習の手法の多くの産業応用を含んでいる。 データ駆動最適化と制御のための2つの異なるフレーバーについて考察する。
  論文  参考訳（メタデータ） (2024-01-24T22:27:04Z)
• Tactile Active Inference Reinforcement Learning for Efficient Robotic Manipulation Skill Acquisition [10.072992621244042]
  触覚能動推論強化学習(Tactile Active Inference Reinforcement Learning, Tactile-AIRL)と呼ばれるロボット操作におけるスキル学習手法を提案する。 強化学習(RL)の性能を高めるために,モデルに基づく手法と本質的な好奇心をRLプロセスに統合した能動推論を導入する。 本研究では,タスクをプッシュする非包括的オブジェクトにおいて,学習効率が著しく向上することが実証された。
  論文  参考訳（メタデータ） (2023-11-19T10:19:22Z)
• Machine Learning Meets Advanced Robotic Manipulation [48.6221343014126]
  本論文は、最先端技術と、実世界の操作タスクに適用された機械学習手法の最近の動向についてレビューする。 論文の残りの部分は、産業、医療、農業、宇宙、軍事、捜索救助など、さまざまな分野におけるML応用に費やされている。
  論文  参考訳（メタデータ） (2023-09-22T01:06:32Z)
• Demonstration-Guided Reinforcement Learning with Efficient Exploration for Task Automation of Surgical Robot [54.80144694888735]
  効率的な強化学習アルゴリズムであるDEX(Demonstration-Guided Exploration)を導入する。 本手法は,生産的相互作用を促進するために,高い値で専門家のような行動を推定する。 総合的な手術シミュレーションプラットフォームであるSurRoLによる10ドルの手術操作に関する実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-02-20T05:38:54Z)
• Building an Efficiency Pipeline: Commutativity and Cumulativeness of Efficiency Operators for Transformers [68.55472265775514]
  モデルに適用した演算子として効率性を考える。 本稿では,このアイデアの妥当性と,効率作用素の可換性と累積性について検討する。
  論文  参考訳（メタデータ） (2022-07-31T18:01:06Z)
• An Automated Robotic Arm: A Machine Learning Approach [0.0]
  現代の産業は、手動によるシステムの制御から自動化へと急速にシフトしている。 コンピュータベースのシステムは、品質と生産性を向上させることができるが、作業には柔軟性がない。 工業的重要性の1つは、ある場所から別の場所へ物を選んで配置することである。
  論文  参考訳（メタデータ） (2022-01-07T10:33:01Z)
• Neural Bridge Sampling for Evaluating Safety-Critical Autonomous Systems [34.945482759378734]
  シミュレーションの安全性評価には確率論的アプローチを用いており、危険事象の確率を計算することに関心がある。 探索, 利用, 最適化技術を組み合わせて, 故障モードを見つけ, 発生率を推定する新しいレアイベントシミュレーション手法を開発した。
  論文  参考訳（メタデータ） (2020-08-24T17:46:27Z)
• Learning Sparse Rewarded Tasks from Sub-Optimal Demonstrations [78.94386823185724]
  模倣学習は、既存の専門家のデモンストレーションを活用することで、スパース・リワードされたタスクで効果的に学習する。 実際には、十分な量の専門家によるデモンストレーションを集めることは、違法にコストがかかる。 限られた数の準最適実演に限り、最適性能を(ほぼ)達成できる自己適応学習(SAIL)を提案する。
  論文  参考訳（メタデータ） (2020-04-01T15:57:15Z)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。