論文の概要: Can AutoML outperform humans? An evaluation on popular OpenML datasets using AutoML Benchmark

• arxiv url: http://arxiv.org/abs/2009.01564v2
• Date: Tue, 15 Dec 2020 09:33:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 07:08:35.333456
• Title: Can AutoML outperform humans? An evaluation on popular OpenML datasets using AutoML Benchmark
• Title（参考訳）: AutoMLは人間より優れているか? AutoMLベンチマークを用いた人気のあるOpenMLデータセットの評価
• Authors: Marc Hanussek, Matthias Blohm, Maximilien Kintz
• Abstract要約: この記事では、OpenMLから12の人気のあるデータセット上の4つのAutoMLフレームワークを比較します。 その結果、自動化されたフレームワークは、12のOpenMLタスクのうち7つの機械学習コミュニティより優れているか等しいかが分かる。
• 参考スコア（独自算出の注目度）: 0.05156484100374058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the last few years, Automated Machine Learning (AutoML) has gained much attention. With that said, the question arises whether AutoML can outperform results achieved by human data scientists. This paper compares four AutoML frameworks on 12 different popular datasets from OpenML; six of them supervised classification tasks and the other six supervised regression ones. Additionally, we consider a real-life dataset from one of our recent projects. The results show that the automated frameworks perform better or equal than the machine learning community in 7 out of 12 OpenML tasks.
• Abstract（参考訳）: ここ数年、Automated Machine Learning(AutoML)が注目されている。 そうは言っても、AutoMLが人間のデータサイエンティストによって達成された結果より優れているかどうかという問題が発生する。 本稿では、openmlから12の異なるポピュラーデータセット上の4つのautomlフレームワークを比較し、そのうち6つは分類タスクを監督し、他の6つは教師付き回帰処理を行う。 さらに、最近のプロジェクトからの実際のデータセットも検討しています。 その結果、自動化されたフレームワークは、12のOpenMLタスクのうち7つの機械学習コミュニティより優れているか同等であることがわかった。

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)
• Position: A Call to Action for a Human-Centered AutoML Paradigm [83.78883610871867]
  自動機械学習(AutoML)は、機械学習(ML)を自動かつ効率的に構成する基本的目的を中心に形成された。 AutoMLの完全な可能性を解き放つ鍵は、現在探索されていないAutoMLシステムとのユーザインタラクションの側面に対処することにある、と私たちは主張する。
  論文  参考訳（メタデータ） (2024-06-05T15:05:24Z)
• The Potential of AutoML for Recommender Systems [0.135975510645475]
  我々は15のライブラリから60のAutoML、AutoRecSys、ML、RecSysの予測性能を比較した。 私たちは、AutoMLとAutoRecSysライブラリが14のデータセットのうち6つでベストに動作していることに気付いた。 シングルベストのライブラリはAutoRecSysライブラリのAuto-Surpriseで、5つのデータセットで最高のパフォーマンスを発揮した。
  論文  参考訳（メタデータ） (2024-02-06T22:42:28Z)
• MLLM-DataEngine: An Iterative Refinement Approach for MLLM [62.30753425449056]
  本稿では,データ生成,モデルトレーニング,評価を橋渡しする新しいクローズドループシステムを提案する。 各ループ内で、MLLM-DataEngineはまず評価結果に基づいてモデルの弱点を分析する。 ターゲットとして,異なる種類のデータの比率を調整する適応型バッドケースサンプリングモジュールを提案する。 品質については、GPT-4を用いて、各データタイプで高品質なデータを生成する。
  論文  参考訳（メタデータ） (2023-08-25T01:41:04Z)
• Large Language Models for Automated Data Science: Introducing CAAFE for Context-Aware Automated Feature Engineering [52.09178018466104]
  データセットのセマンティックな特徴を生成するために、コンテキスト認識自動特徴工学(CAAFE)を導入する。 方法論的には単純だが、CAAFEは14のデータセットのうち11のパフォーマンスを改善している。 我々は,AutoMLシステムの範囲をセマンティックなAutoMLに拡張できるコンテキスト認識ソリューションの重要性を強調した。
  論文  参考訳（メタデータ） (2023-05-05T09:58:40Z)
• AMLB: an AutoML Benchmark [9.642136611591578]
  71の分類と33の回帰タスクで9つのよく知られたAutoMLフレームワークを徹底的に比較する。 ベンチマークにはオープンソースツールが付属しており、多くのAutoMLフレームワークと統合され、実証的な評価プロセスのエンドツーエンドを自動化する。
  論文  参考訳（メタデータ） (2022-07-25T22:34:08Z)
• Leveraging Automated Machine Learning for Text Classification: Evaluation of AutoML Tools and Comparison with Human Performance [0.07734726150561087]
  この研究では、13の異なるポピュラーデータセット上の4つのAutoMLツールを比較します。 その結果、AutoMLツールは13のタスクのうち4つで機械学習コミュニティよりも優れています。
  論文  参考訳（メタデータ） (2020-12-07T10:31:13Z)
• Auto-Sklearn 2.0: Hands-free AutoML via Meta-Learning [45.643809726832764]
  第2回ChaLearn AutoMLチャレンジへの勝利を動機とした新しいAutoMLアプローチを紹介します。 我々はPoSH Auto-Sklearnを開発した。これは、厳格な時間制限下で、AutoMLシステムが大きなデータセットでうまく機能することを可能にする。 また、真にハンズフリーなAutoMLに対する解決策を提案する。
  論文  参考訳（メタデータ） (2020-07-08T12:41:03Z)
• AutoGluon-Tabular: Robust and Accurate AutoML for Structured Data [120.2298620652828]
  オープンソースのAutoMLフレームワークであるAutoGluon-Tabularを紹介します。 KaggleとOpenML AutoML Benchmarkの50の分類および回帰タスクからなるスイートのテストによると、AutoGluonはより速く、より堅牢で、はるかに正確である。
  論文  参考訳（メタデータ） (2020-03-13T23:10:39Z)

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。