論文の概要: AutoGL: A Library for Automated Graph Learning
- arxiv url: http://arxiv.org/abs/2104.04987v1
- Date: Sun, 11 Apr 2021 10:49:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-14 10:18:57.291068
- Title: AutoGL: A Library for Automated Graph Learning
- Title（参考訳）: AutoGL: グラフ学習を自動化するライブラリ
- Authors: Chaoyu Guan, Ziwei Zhang, Haoyang Li, Heng Chang, Zeyang Zhang, Yijian
Qin, Jiyan Jiang, Xin Wang, Wenwu Zhu
- Abstract要約: グラフ上の自動機械学習のための最初のライブラリであるAutoGL(Automated Graph Learning)を紹介します。
AutoGLはオープンソースで、使いやすく、拡張できる柔軟性があります。
4つのモジュールを含むグラフデータの自動機械学習パイプラインを提案する。
- 参考スコア（独自算出の注目度）: 58.20043618912676
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent years have witnessed an upsurge of research interests and applications
of machine learning on graphs. Automated machine learning (AutoML) on graphs is
on the horizon to automatically design the optimal machine learning algorithm
for a given graph task. However, all current libraries cannot support AutoML on
graphs. To tackle this problem, we present Automated Graph Learning (AutoGL),
the first library for automated machine learning on graphs. AutoGL is
open-source, easy to use, and flexible to be extended. Specifically, We propose
an automated machine learning pipeline for graph data containing four modules:
auto feature engineering, model training, hyper-parameter optimization, and
auto ensemble. For each module, we provide numerous state-of-the-art methods
and flexible base classes and APIs, which allow easy customization. We further
provide experimental results to showcase the usage of our AutoGL library.
- Abstract（参考訳）: 近年、グラフ上での機械学習の研究関心や応用の高まりを目撃している。
グラフ上の自動機械学習(automl)は、与えられたグラフタスクに最適な機械学習アルゴリズムを自動的に設計する。
しかし、現在のライブラリはすべて、グラフ上でAutoMLをサポートできない。
そこで本研究では,グラフ上で自動機械学習を行う最初のライブラリであるautomated graph learning (autogl)を提案する。
autoglはオープンソースであり、使いやすく、拡張も柔軟である。
具体的には,オートフィーチャーエンジニアリング,モデルトレーニング,ハイパーパラメータ最適化,オートアンサンブルという4つのモジュールを含むグラフデータのための自動機械学習パイプラインを提案する。
各モジュールに対して、多数の最先端のメソッドとフレキシブルなベースクラスとAPIを提供しています。
さらに、AutoGLライブラリの使用例を示す実験結果も提供します。
関連論文リスト
- GraphStorm: all-in-one graph machine learning framework for industry applications [75.23076561638348]
GraphStormはスケーラブルなグラフ構築、グラフモデルのトレーニング、推論のためのエンドツーエンドソリューションである。
GraphStormのすべてのコンポーネントは数十億のノードを持つグラフ上で動作でき、コードを変更することなく、モデルのトレーニングと推論を異なるハードウェアにスケールすることができる。
GraphStormは、2023年5月にリリースされて以来、数十億以上の業界アプリケーションで使われ、デプロイされてきた。
論文 参考訳（メタデータ） (2024-06-10T04:56:16Z) - Continual Learning on Graphs: Challenges, Solutions, and Opportunities [72.7886669278433]
本稿では,既存の連続グラフ学習(CGL)アルゴリズムの総合的なレビューを行う。
従来の連続学習手法と比較し,従来の連続学習手法の適用性を分析した。
アクセス可能なアルゴリズムの包括的なリストを含む、最新のリポジトリを維持します。
論文 参考訳（メタデータ） (2024-02-18T12:24:45Z) - Graph Learning Indexer: A Contributor-Friendly and Metadata-Rich
Platform for Graph Learning Benchmarks [11.972121836128592]
Graph Learning Indexer(GLI)は、グラフ学習のためのベンチマークキュレーションプラットフォームである。
GLIは、Emphdatasetコントリビュータにインセンティブを与えるように設計されている。
GLIは、ベンチマークデータセットの単純なコレクションではなく、知識ベースをキュレートする。
論文 参考訳（メタデータ） (2022-12-08T19:57:01Z) - GANDALF: Gated Adaptive Network for Deep Automated Learning of Features [0.0]
GANDALF (Deep Automated Learning of Features) のためのGated Adaptive Network
GANDALF は Gated Feature Learning Unit (GFLU) と呼ばれるゲーティング機構を備えた新しい表処理ユニットに依存している。
我々は、GANDALFがXGBoost、SAINT、FT-TransformersなどのSOTAアプローチより優れているか、劣っていることを実証する。
論文 参考訳（メタデータ） (2022-07-18T12:12:24Z) - Automated Graph Machine Learning: Approaches, Libraries, Benchmarks and Directions [58.220137936626315]
本稿では,グラフ機械学習の自動手法について論じる。
当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。
また、統一的で再現性があり、効率的な評価をサポートする調整されたベンチマークについて述べる。
論文 参考訳（メタデータ） (2022-01-04T18:31:31Z) - 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) - VEGA: Towards an End-to-End Configurable AutoML Pipeline [101.07003005736719]
VEGAは効率よく包括的なAutoMLフレームワークで、複数のハードウェアプラットフォームに互換性があり、最適化されている。
VEGAは既存のAutoMLアルゴリズムを改善し、SOTAメソッドに対して新しい高性能モデルを発見する。
論文 参考訳（メタデータ） (2020-11-03T06:53:53Z)
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。