Fugu-MT 論文翻訳(概要): Testing the Robustness of AutoML Systems

論文の概要: Testing the Robustness of AutoML Systems

arxiv url: http://arxiv.org/abs/2005.02649v2
Date: Thu, 23 Jul 2020 01:32:38 GMT
ステータス: 処理完了
システム内更新日: 2022-12-06 05:07:48.706958
Title: Testing the Robustness of AutoML Systems
Title（参考訳）: AutoMLシステムのロバスト性テスト
Authors: Tuomas Halvari, Jukka K. Nurminen, Tommi Mikkonen
Abstract要約: 本稿では,3つのAutoMLシステム,TPOT,H2O,AutoKerasで生成された機械学習パイプラインの堅牢性について検討する。特に、汚いデータによる精度への影響について検討し、汚いトレーニングデータの使用がより堅牢なソリューションの創出にどう役立つかを考察する。
参考スコア（独自算出の注目度）: 5.942234058526296
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automated machine learning (AutoML) systems aim at finding the best machine learning (ML) pipeline that automatically matches the task and data at hand. We investigate the robustness of machine learning pipelines generated with three AutoML systems, TPOT, H2O, and AutoKeras. In particular, we study the influence of dirty data on accuracy, and consider how using dirty training data may help create more robust solutions. Furthermore, we also analyze how the structure of the generated pipelines differs in different cases.
Abstract（参考訳）: 自動機械学習(AutoML)システムは、タスクとデータを自動的に一致させる機械学習(ML)パイプラインを見つけることを目的としている。 3つのAutoMLシステム、TPOT、H2O、AutoKerasで生成された機械学習パイプラインの堅牢性について検討する。特に、汚いデータによる精度への影響について検討し、汚いトレーニングデータの使用がより堅牢なソリューションの創出にどう役立つかを考察する。さらに,発生したパイプラインの構造の違いについても解析する。

関連論文リスト

AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
論文参考訳（メタデータ） (2024-10-03T20:01:09Z)
AutoAct: Automatic Agent Learning from Scratch for QA via Self-Planning [54.47116888545878]
AutoActはQAのための自動エージェント学習フレームワークである。大規模アノテートデータやクローズドソースモデルからの合成計画軌道は依存していない。
論文参考訳（メタデータ） (2024-01-10T16:57:24Z)
Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文参考訳（メタデータ） (2023-04-28T10:27:38Z)
XAutoML: A Visual Analytics Tool for Understanding and Validating Automated Machine Learning [5.633209323925663]
XAutoMLは、AutoMLによって構築された任意のAutoML最適化手順とMLパイプラインを説明するための、インタラクティブなビジュアル分析ツールである。 XAutoMLは、インタラクティブな視覚化と、説明可能な人工知能(XAI)の確立したテクニックを組み合わせることで、完全なAutoML手順を透過的かつ説明可能なものにする。
論文参考訳（メタデータ） (2022-02-24T08:18:25Z)
Towards Green Automated Machine Learning: Status Quo and Future Directions [71.86820260846369]
AutoMLは高いリソース消費で批判されている。本稿では,AutoMLプロセス全体を環境に優しいものにするためのパラダイムであるGreen AutoMLを提案する。
論文参考訳（メタデータ） (2021-11-10T18:57:27Z)
Man versus Machine: AutoML and Human Experts' Role in Phishing Detection [4.124446337711138]
本稿では,10種類のフィッシングデータセット上での6つの最先端AutoMLフレームワークのパフォーマンスを比較した。以上の結果から,AutoMLベースのモデルでは,複雑な分類タスクにおいて,手作業で開発した機械学習モデルよりも優れていることが示唆された。
論文参考訳（メタデータ） (2021-08-27T09:26:20Z)
Detecting Faults during Automatic Screwdriving: A Dataset and Use Case of Anomaly Detection for Automatic Screwdriving [80.6725125503521]
障害検出に機械学習(ML)を使用したデータ駆動型アプローチが最近注目されている。本稿では,自動スクリュー運転時の故障検出にMLモデルを用いた場合について述べる。
論文参考訳（メタデータ） (2021-07-05T11:46:00Z)
Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文参考訳（メタデータ） (2021-06-14T11:42:46Z)
Fits and Starts: Enterprise Use of AutoML and the Role of Humans in the Loop [4.468952886990851]
AutoMLシステムは、日常的なデータサイエンス作業をスピードアップし、統計学やコンピュータサイエンスの専門知識がなくても機械学習を利用できるようにする。私たちは、さまざまな規模の組織から29人の個人にインタビューを行い、AutoMLシステムの使用方法、または使用予定を特徴づけます。本研究は,人間のループ内視覚分析手法の設計と実装に影響を及ぼすものである。
論文参考訳（メタデータ） (2021-01-12T04:52:48Z)
AutoML to Date and Beyond: Challenges and Opportunities [30.60364966752454]
AutoMLツールは、機械学習を非機械学習の専門家が利用できるようにすることを目的としている。本稿では,AutoMLシステムのための新しい分類システムを提案する。エンド・ツー・エンドの機械学習パイプラインのさらなる自動化に必要な研究を指摘して、将来のロードマップを策定しました。
論文参考訳（メタデータ） (2020-10-21T06:08:21Z)
Evolution of Scikit-Learn Pipelines with Dynamic Structured Grammatical Evolution [1.5224436211478214]
本稿では、動的構造文法進化(DSGE)をScikit-Learn分類パイプラインの進化に適応させる新しい文法ベースのフレームワークについて述べる。実験結果は、AutoML-DSGEを他の文法ベースのAutoMLフレームワークであるResilient ClassificationPipeline Evolution (RECIPE)と比較することを含む。
論文参考訳（メタデータ） (2020-04-01T09:31:34Z)

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。