論文の概要: AutoOED: Automated Optimal Experiment Design Platform
- arxiv url: http://arxiv.org/abs/2104.05959v1
- Date: Tue, 13 Apr 2021 06:20:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-14 13:42:24.536950
- Title: AutoOED: Automated Optimal Experiment Design Platform
- Title（参考訳）: autooed: 自動最適実験設計プラットフォーム
- Authors: Yunsheng Tian, Mina Konakovi\'c Lukovi\'c, Timothy Erps, Michael
Foshey, Wojciech Matusik
- Abstract要約: AutoOED は自動機械学習を搭載した Optimal Experiment Design プラットフォームです。
最先端性能を持つ多目的ベイズ最適化アルゴリズムを複数実装する。
AutoOEDはオープンソースでPythonで書かれている。
- 参考スコア（独自算出の注目度）: 28.343314031971158
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present AutoOED, an Optimal Experiment Design platform powered with
automated machine learning to accelerate the discovery of optimal solutions.
The platform solves multi-objective optimization problems in time- and
data-efficient manner by automatically guiding the design of experiments to be
evaluated. To automate the optimization process, we implement several
multi-objective Bayesian optimization algorithms with state-of-the-art
performance. AutoOED is open-source and written in Python. The codebase is
modular, facilitating extensions and tailoring the code, serving as a testbed
for machine learning researchers to easily develop and evaluate their own
multi-objective Bayesian optimization algorithms. An intuitive graphical user
interface (GUI) is provided to visualize and guide the experiments for users
with little or no experience with coding, machine learning, or optimization.
Furthermore, a distributed system is integrated to enable parallelized
experimental evaluations by independent workers in remote locations. The
platform is available at https://autooed.org.
- Abstract（参考訳）: 最適な解の発見を促進するために,自動機械学習を用いた最適な実験設計プラットフォームであるautooedを提案する。
このプラットフォームは、評価すべき実験の設計を自動的に導くことにより、時間的およびデータ効率的に多目的最適化問題を解決する。
最適化プロセスを自動化するために,最先端性能を持つ複数目的ベイズ最適化アルゴリズムを実装した。
AutoOEDはオープンソースでPythonで書かれている。
コードベースはモジュール化されており、拡張とコードの調整が容易であり、機械学習研究者が独自の多目的ベイズ最適化アルゴリズムを開発し、評価するためのテストベッドとして機能する。
直感的なグラフィカルユーザインタフェース(gui)を提供し、コーディングや機械学習、最適化の経験がほとんど、あるいは全くないユーザのために実験を視覚化し、ガイドする。
さらに、遠隔地における独立作業員による並列化実験評価を可能にするために、分散システムを統合する。
プラットフォームはhttps://autooed.org.com/で利用可能である。
関連論文リスト
- Unlearning as multi-task optimization: A normalized gradient difference approach with an adaptive learning rate [105.86576388991713]
正規化勾配差(NGDiff)アルゴリズムを導入し、目的間のトレードオフをよりよく制御できるようにする。
本研究では,TOFUおよびMUSEデータセットにおける最先端の未学習手法において,NGDiffの優れた性能を実証的に実証し,理論的解析を行った。
論文 参考訳（メタデータ） (2024-10-29T14:41:44Z) - Enhanced Bayesian Optimization via Preferential Modeling of Abstract
Properties [49.351577714596544]
本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。
優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
論文 参考訳（メタデータ） (2024-02-27T09:23:13Z) - AutoOptLib: Tailoring Metaheuristic Optimizers via Automated Algorithm
Design [23.778407064391658]
本稿ではメタヒューリスティックスの自動設計のための最初のプラットフォームであるAutoOptLibを提案する。
AutoOptLibは、コンピューティングリソースによる設計選択を完全に探求することで、人間の経験を超越する可能性を秘めている。
論文 参考訳（メタデータ） (2023-03-12T01:45:05Z) - AutoDOViz: Human-Centered Automation for Decision Optimization [20.114066563594125]
本稿では、強化学習(RL)を用いた自動意思決定最適化(AutoDO)のための対話型ユーザインタフェースAutoDOVizを提案する。
我々は,DO実践者とビジネスコンサルタントとの半構造化専門家インタビューから得られた知見を報告する。
論文 参考訳（メタデータ） (2023-02-19T23:06:19Z) - MEESO: A Multi-objective End-to-End Self-Optimized Approach for
Automatically Building Deep Learning Models [0.0]
本稿では,ディープラーニングモデルの自動構築のためのエンドツーエンドの自己最適化手法を提案する。
我々のアルゴリズムは、最先端のアプローチと比較して、様々な競合モデルを発見することができる。
論文 参考訳（メタデータ） (2022-11-20T09:36:13Z) - VeLO: Training Versatile Learned Optimizers by Scaling Up [67.90237498659397]
私たちは、ディープラーニングの成功の背後にある同じスケーリングアプローチを活用して、汎用性を学びます。
私たちは、パラメータの更新を取り込み出力する小さなニューラルネットワークであるディープラーニングのためのインジェクションをトレーニングします。
学習したメタトレーニングコード、関連するトレインテストデータ、およびvelo-code.ioのベースラインを備えた広範なベンチマークスイートをオープンソースとして公開しています。
論文 参考訳（メタデータ） (2022-11-17T18:39:07Z) - DeepCAVE: An Interactive Analysis Tool for Automated Machine Learning [41.90094833178758]
DeepCAVEはAutoMLの最先端の最適化手順を分析し、監視するインタラクティブなフレームワークである。
当社のフレームワークのモジュール構造は、ユーザが自動的に生成したテキスト、テーブル、グラフィック視覚化を提供する。
論文 参考訳（メタデータ） (2022-06-07T12:59:39Z) - Learning to Optimize: A Primer and A Benchmark [94.29436694770953]
最適化への学習(L2O)は、機械学習を活用して最適化方法を開発する新しいアプローチです。
この記事では、継続的最適化のためのL2Oの総合的な調査とベンチマークを行う。
論文 参考訳（メタデータ） (2021-03-23T20:46:20Z) - Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。
レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
論文 参考訳（メタデータ） (2020-08-02T02:56:30Z) - Auto-PyTorch Tabular: Multi-Fidelity MetaLearning for Efficient and
Robust AutoDL [53.40030379661183]
Auto-PyTorchは、完全に自動化されたディープラーニング(AutoDL)を実現するフレームワーク
ディープニューラルネットワーク(DNN)のウォームスタートとアンサンブルのためのマルチフィデリティ最適化とポートフォリオ構築を組み合わせる。
Auto-PyTorchは、いくつかの最先端の競合製品よりもパフォーマンスが良いことを示す。
論文 参考訳（メタデータ） (2020-06-24T15:15:17Z) - PHOTONAI -- A Python API for Rapid Machine Learning Model Development [2.414341608751139]
PHOTONAIは、機械学習モデル開発の簡素化と高速化を目的とした、ハイレベルなPython APIである。
これは統一フレームワークとして機能し、ユーザーは異なるツールボックスからのアルゴリズムをカスタムのアルゴリズムシーケンスに簡単にアクセスし、組み合わせることができる。
論文 参考訳（メタデータ） (2020-02-13T10:33:05Z)
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。