論文の概要: A Neophyte With AutoML: Evaluating the Promises of Automatic Machine Learning Tools

• arxiv url: http://arxiv.org/abs/2101.05840v1
• Date: Thu, 14 Jan 2021 19:28:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-29 03:24:49.931495
• Title: A Neophyte With AutoML: Evaluating the Promises of Automatic Machine Learning Tools
• Title（参考訳）: AutoMLによる新生植物:自動機械学習ツールの約束を評価する
• Authors: Oleg Bezrukavnikov and Rhema Linder
• Abstract要約: 本稿では,機械学習(ML)経験の少ない人の視点から,現代の自動機械学習(AutoML)ツールについて考察する。 ML技術の使用を簡素化し、民主化するために作られたAutoMLツールは、使いやすくも開発中のツールも数多くある。
• 参考スコア（独自算出の注目度）: 1.713291434132985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper discusses modern Auto Machine Learning (AutoML) tools from the perspective of a person with little prior experience in Machine Learning (ML). There are many AutoML tools both ready-to-use and under development, which are created to simplify and democratize usage of ML technologies in everyday life. Our position is that ML should be easy to use and available to a greater number of people. Prior research has identified the need for intuitive AutoML tools. This work seeks to understand how well AutoML tools have achieved that goal in practice. We evaluate three AutoML Tools to evaluate the end-user experience and system performance. We evaluate the tools by having them create models from a competition dataset on banking data. We report on their performance and the details of our experience. This process provides a unique understanding of the state of the art of AutoML tools. Finally, we use these experiences to inform a discussion on how future AutoML tools can improve the user experience for neophytes of Machine Learning.
• Abstract（参考訳）: 本稿では,機械学習(ML)の経験がほとんどない人の視点から,最新の自動機械学習(AutoML)ツールについて論じる。 ML技術の使用を簡素化し、民主化するために作られたAutoMLツールは、使いやすくも開発中のツールも数多くある。 私たちの立場では、MLは使いやすく、より多くの人に利用可能であるべきです。 これまでの研究では、直感的なAutoMLツールの必要性が特定されていた。 この作業は、automlツールが実際にその目標を達成した方法を理解することを目的としている。 エンドユーザー体験とシステム性能を評価するために,3つのAutoMLツールを評価した。 バンクデータの競合データセットからモデルを作成することで、ツールを評価します。 彼らのパフォーマンスと経験の詳細を報告します。 このプロセスはAutoMLツールの最先端に関するユニークな理解を提供する。 最後に,これらの経験を活かして,今後のautomlツールが機械学習の新生物のユーザエクスペリエンスをどのように改善できるかを議論する。

関連論文リスト

• 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)
• Chain of Tools: Large Language Model is an Automatic Multi-tool Learner [54.992464510992605]
  Automatic Tool Chain(ATC)は、大規模言語モデル(LLM)がマルチツールユーザとして機能することを可能にするフレームワークである。 次に,ツールの範囲を拡大するために,ブラックボックス探索法を提案する。 包括的な評価のために、ToolFlowという挑戦的なベンチマークを構築しました。
  論文  参考訳（メタデータ） (2024-05-26T11:40:58Z)
• LLMs in the Imaginarium: Tool Learning through Simulated Trial and Error [54.954211216847135]
  既存の大規模言語モデル(LLM)は30%から60%の範囲でしか正当性に至らない。 試行錯誤(STE)を模擬したツール拡張LDMの生物学的なインスピレーション法を提案する。 STEは、試行錯誤、想像力、記憶という、生物学的システムにおけるツール使用行動の成功のための3つの重要なメカニズムを編成する。
  論文  参考訳（メタデータ） (2024-03-07T18:50:51Z)
• EASYTOOL: Enhancing LLM-based Agents with Concise Tool Instruction [56.02100384015907]
  EasyToolは、多種多様で長いツールドキュメントを統一的で簡潔なツール命令に変換するフレームワークである。 トークン使用量を大幅に削減し、現実のシナリオにおけるツール利用のパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2024-01-11T15:45:11Z)
• 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)
• An Empirical Study on the Usage of Automated Machine Learning Tools [10.901346577426542]
  自動機械学習(AutoML)ツールの人気は、ここ数年で高まっている。 最近の研究は、AutoMLツールを使用した実践者の経験を質的研究した。 我々は,ML実践者がプロジェクトにおいてAutoMLツールをどのように利用するかを理解するための実証的研究を行った。
  論文  参考訳（メタデータ） (2022-08-28T02:01:58Z)
• 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)
• Whither AutoML? Understanding the Role of Automation in Machine Learning Workflows [10.309305727686326]
  機械学習をより広くアクセス可能にする取り組みは、機械学習のトレーニングとデプロイのプロセスを自動化することを目的としたAuto-MLツールの急速な増加をもたらしました。 今日、Auto-MLツールが実際にどのように使われているかを理解するために、初心者ホビーストからAuto-MLツールを使用する業界研究者まで、参加者と質的研究を行った。 私たちは、既存のツールのメリットと欠陥、およびMLにおける人間と自動化の役割に関する洞察を提示します。
  論文  参考訳（メタデータ） (2021-01-13T02:12:46Z)
• 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)
• 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)
• 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。