論文の概要: Ensemble Squared: A Meta AutoML System

• arxiv url: http://arxiv.org/abs/2012.05390v1
• Date: Thu, 10 Dec 2020 01:09:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-15 06:37:37.902172
• Title: Ensemble Squared: A Meta AutoML System
• Title（参考訳）: Ensemble Squared: メタオートMLシステム
• Authors: Jason Yoo, Tony Joseph, Dylan Yung, S. Ali Nasseri, Frank Wood
• Abstract要約: 本稿では,AutoMLシステムのレベルをアンサンブルする「メタ」オートMLシステムを提案する。 Ensemble Squaredは、既存の競合するAutoMLシステムの多様性を活用して、それらのセットによって同時に生成されたトップパフォーマンスモデルをアンサンブルする。
• 参考スコア（独自算出の注目度）: 13.062016289815054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The continuing rise in the number of problems amenable to machine learning solutions, coupled with simultaneous growth in both computing power and variety of machine learning techniques has led to an explosion of interest in automated machine learning (AutoML). This paper presents Ensemble Squared (Ensemble$^2$), a "meta" AutoML system that ensembles at the level of AutoML systems. Ensemble$^2$ exploits the diversity of existing, competing AutoML systems by ensembling the top-performing models simultaneously generated by a set of them. Our work shows that diversity in AutoML systems is sufficient to justify ensembling at the AutoML system level. In demonstrating this, we also establish a new state of the art AutoML result on the OpenML classification challenge.
• Abstract（参考訳）: 機械学習ソリューションに適応できる問題の数は増え続け、コンピューティングパワーとさまざまな機械学習技術の両方が同時に成長し、自動化機械学習(automl)への関心が爆発的に高まっている。 本稿では,AutoMLシステムのレベルでのアンサンブルを行う「メタ」オートMLシステムであるEnsemble Squared(Ensemble$^2$)を提案する。 アンサンブル$^2$は、既存の競合であるautomlシステムの多様性を利用して、それらセットによって同時に生成されたトップパフォーマンスモデルをセンセンシングする。 我々の研究は、AutoMLシステムの多様性がAutoMLシステムのレベルでのアンサンブルを正当化するのに十分であることを示している。 また、これを実証するために、OpenML分類チャレンジに基づいてAutoML結果の新たな状態を確立する。

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)
• 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 Machine Learning for Multi-Label Classification [3.2634122554914002]
  2つのアルゴリズムからなるシングルラベル分類タスクに対して,新しいAutoMLアプローチを考案する。 マルチラベル分類におけるAutoMLの課題複雑性を増大させるとともに,シングルラベル分類タスクにおける技術状態を形成するAutoMLアプローチがいかにスケールするかを検討する。
  論文  参考訳（メタデータ） (2024-02-28T09:40:36Z)
• AutoML in the Age of Large Language Models: Current Challenges, Future Opportunities and Risks [62.05741061393927]
  この2つの分野は、緊密な統合によって相互の境界を根本的に押し付けることができると想定している。 認識可能な相乗効果だけでなくリスクも強調することにより、AutoMLとLCMの交差点でのさらなる探索を促進することを目指している。
  論文  参考訳（メタデータ） (2023-06-13T19:51:22Z)
• 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)
• Automatic Componentwise Boosting: An Interpretable AutoML System [1.1709030738577393]
  本稿では,高度にスケーラブルなコンポーネントワイドブースティングアルゴリズムを用いて適用可能な,解釈可能な付加モデルを構築するAutoMLシステムを提案する。 我々のシステムは、部分的な効果やペアの相互作用を可視化するなど、簡単なモデル解釈のためのツールを提供する。 解釈可能なモデル空間に制限があるにもかかわらず、我々のシステムは、ほとんどのデータセットにおける予測性能の点で競争力がある。
  論文  参考訳（メタデータ） (2021-09-12T18:34:33Z)
• LightAutoML: AutoML Solution for a Large Financial Services Ecosystem [108.09104876115428]
  本稿では、ヨーロッパ大手金融サービス会社向けに開発されたLightAutoMLと呼ばれるAutoMLシステムについて述べる。 当社のフレームワークは、多数のアプリケーションに試験的にデプロイされ、経験豊富なデータサイエンティストのレベルで実行されました。
  論文  参考訳（メタデータ） (2021-09-03T13:52:32Z)
• Naive Automated Machine Learning -- A Late Baseline for AutoML [0.0]
  AutoML(Automated Machine Learning)は、特定のデータセット上で最高の一般化パフォーマンスを持つパイプラインを自動的に見つける問題です。 機械学習の問題に関する重要なメタ知識を利用するAutoMLの非常に単純なソリューションであるNaive AutoMLを紹介します。
  論文  参考訳（メタデータ） (2021-03-18T19:52:12Z)
• 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)

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。