論文の概要: AutoML to Date and Beyond: Challenges and Opportunities
- arxiv url: http://arxiv.org/abs/2010.10777v4
- Date: Wed, 19 May 2021 20:32:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 22:56:57.961185
- Title: AutoML to Date and Beyond: Challenges and Opportunities
- Title（参考訳）: AutoMLの日程と日程 - 課題と機会
- Authors: Shubhra Kanti Karmaker Santu, Md. Mahadi Hassan, Micah J. Smith, Lei
Xu, ChengXiang Zhai, Kalyan Veeramachaneni
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 30.60364966752454
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As big data becomes ubiquitous across domains, and more and more stakeholders
aspire to make the most of their data, demand for machine learning tools has
spurred researchers to explore the possibilities of automated machine learning
(AutoML). AutoML tools aim to make machine learning accessible for non-machine
learning experts (domain experts), to improve the efficiency of machine
learning, and to accelerate machine learning research. But although automation
and efficiency are among AutoML's main selling points, the process still
requires human involvement at a number of vital steps, including understanding
the attributes of domain-specific data, defining prediction problems, creating
a suitable training data set, and selecting a promising machine learning
technique. These steps often require a prolonged back-and-forth that makes this
process inefficient for domain experts and data scientists alike, and keeps
so-called AutoML systems from being truly automatic. In this review article, we
introduce a new classification system for AutoML systems, using a seven-tiered
schematic to distinguish these systems based on their level of autonomy. We
begin by describing what an end-to-end machine learning pipeline actually looks
like, and which subtasks of the machine learning pipeline have been automated
so far. We highlight those subtasks which are still done manually - generally
by a data scientist - and explain how this limits domain experts' access to
machine learning. Next, we introduce our novel level-based taxonomy for AutoML
systems and define each level according to the scope of automation support
provided. Finally, we lay out a roadmap for the future, pinpointing the
research required to further automate the end-to-end machine learning pipeline
and discussing important challenges that stand in the way of this ambitious
goal.
- Abstract（参考訳）: ビッグデータがドメイン全体に広まり、より多くの利害関係者が自分たちのデータを最大限に活用しようとしている中、機械学習ツールの需要が、研究者たちに自動機械学習(AutoML)の可能性を探らせた。
AutoMLツールは、非機械学習専門家(ドメインエキスパート)が機械学習にアクセスできるようにすること、機械学習の効率を改善すること、機械学習の研究を加速することを目的としている。
しかし、自動化と効率性はAutoMLの主要なセールスポイントであるが、このプロセスは、ドメイン固有のデータの属性の理解、予測問題の定義、適切なトレーニングデータセットの作成、有望な機械学習テクニックの選択など、多くの重要なステップで人間の関与を必要とする。
これらのステップでは、ドメインの専門家やデータサイエンティストがこのプロセスを非効率にし、いわゆるAutoMLシステムが真に自動化されないようにする。
本稿では,7層スキーマを用いて,自律性レベルに基づいてシステムを識別する,automlシステムの新しい分類システムを提案する。
まず、エンドツーエンドの機械学習パイプラインが実際にどのようなもので、機械学習パイプラインのどのサブタスクが自動化されているのかを説明します。
一般的にデータ科学者が手作業で行うサブタスクを強調し、これがドメインの専門家による機械学習へのアクセスを制限する方法を説明する。
次に,新しいオートmlシステムのためのレベルベース分類法を導入し,提供される自動化サポートの範囲に応じて各レベルを定義する。
最後に、将来的にのロードマップを示し、エンドツーエンドの機械学習パイプラインをさらに自動化するために必要な研究と、この野心的な目標に向かっている重要な課題について議論します。
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) - Automated data processing and feature engineering for deep learning and big data applications: a survey [0.0]
現代の人工知能(AI)のアプローチは、データから直接学習するアルゴリズムを設計することを目的としている。
従来のディープラーニングパイプラインのすべてのデータ処理タスクが自動化されたわけではない。
論文 参考訳（メタデータ） (2024-03-18T01:07:48Z) - Assessing the Use of AutoML for Data-Driven Software Engineering [10.40771687966477]
AutoMLは、エンドツーエンドのAI/MLパイプラインの構築を自動化することを約束する。
関心の高まりと高い期待にもかかわらず、AutoMLが現在採用されている範囲に関する情報が不足している。
論文 参考訳（メタデータ） (2023-07-20T11:14:24Z) - 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) - OmniForce: On Human-Centered, Large Model Empowered and Cloud-Edge
Collaborative AutoML System [85.8338446357469]
我々は人間中心のAutoMLシステムであるOmniForceを紹介した。
我々は、OmniForceがAutoMLシステムを実践し、オープン環境シナリオにおける適応型AIを構築する方法について説明する。
論文 参考訳（メタデータ） (2023-03-01T13:35:22Z) - 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) - 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) - Automated Machine Learning on Graphs: A Survey [81.21692888288658]
本稿では,グラフ上の自動機械学習の体系的かつ包括的レビューを行う。
グラフ機械学習のためのハイパーパラメータ最適化(HPO)とニューラルアーキテクチャ探索(NAS)に注目した。
最後に、自動化グラフ機械学習の今後の研究方向に関する洞察を共有します。
論文 参考訳（メタデータ） (2021-03-01T04:20:33Z) - AutoDS: Towards Human-Centered Automation of Data Science [20.859067294445985]
本稿では,データサイエンスプロジェクトを支援する自動機械学習(AutoML)システムであるAutoDSを紹介する。
予想通り、autodsは生産性を向上させる。しかし驚くべきことに、autods groupが生成するモデルは品質が高く、エラーが少ないが、人間の信頼度スコアは低い。
論文 参考訳（メタデータ） (2021-01-13T08:35:14Z) - Automated Machine Learning -- a brief review at the end of the early
years [14.211962590104111]
Automated Machine Learning (AutoML)は、機械学習システムの設計のすべての段階を自動化、拡張することを目的とした機械学習のサブフィールドである。
教師あり学習の文脈では、AutoMLは特徴抽出、事前処理、モデル設計、ポスト処理に関係している。
論文 参考訳（メタデータ） (2020-08-19T15:48:49Z)
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。