論文の概要: Comparison of Automated Machine Learning Tools for SMS Spam Message Filtering

• arxiv url: http://arxiv.org/abs/2106.08671v1
• Date: Wed, 16 Jun 2021 10:16:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-18 03:41:08.706416
• Title: Comparison of Automated Machine Learning Tools for SMS Spam Message Filtering
• Title（参考訳）: smsスパムメッセージフィルタリングのための自動機械学習ツールの比較
• Authors: Waddah Saeed
• Abstract要約: Short Message Service (SMS)は、モバイルユーザーによるコミュニケーションに使用される人気のサービスである。 本研究では,SMSスパムメッセージフィルタリングのための3つの自動機械学習(AutoML)ツールの分類性能比較を行った。 実験の結果,アンサンブルモデルが最も優れた分類性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Short Message Service (SMS) is a very popular service used for communication by mobile users. However, this popular service can be abused by executing illegal activities and influencing security risks. Nowadays, many automatic machine learning (AutoML) tools exist which can help domain experts and lay users to build high-quality ML models with little or no machine learning knowledge. In this work, a classification performance comparison was conducted between three automatic ML tools for SMS spam message filtering. These tools are mljar-supervised AutoML, H2O AutoML, and Tree-based Pipeline Optimization Tool (TPOT) AutoML. Experimental results showed that ensemble models achieved the best classification performance. The Stacked Ensemble model, which was built using H2O AutoML, achieved the best performance in terms of Log Loss (0.8370), true positive (1088/1116), and true negative (281/287) metrics. There is a 19.05\% improvement in Log Loss with respect to TPOT AutoML and 10.53\% improvement with respect to mljar-supervised AutoML. The satisfactory filtering performance achieved with AutoML tools provides a potential application for AutoML tools to automatically determine the best ML model that can perform best for SMS spam message filtering.
• Abstract（参考訳）: short message service (sms) はモバイルユーザーのコミュニケーションに非常に人気のあるサービスである。 しかし、この人気のあるサービスは違法な活動を実行し、セキュリティリスクに影響を与えることで悪用される可能性がある。 現在、多くの自動機械学習(AutoML)ツールが存在しており、ドメインの専門家やユーザーが機械学習の知識をほとんどあるいは全く持たずに高品質なMLモデルを構築するのに役立つ。 本研究では,smsスパムメッセージフィルタリングのための3つの自動mlツール間の分類性能比較を行った。 これらのツールはmljarが管理するAutoML、H2O AutoML、Tree-based Pipeline Optimization Tool(TPOT) AutoMLである。 実験の結果,アンサンブルモデルが最も優れた分類性能を示した。 H2O AutoMLを使用して構築されたStacked Ensembleモデルは、ログ損失(0.8370)、真正(1088/1116)、真負(281/287)メトリクスで最高のパフォーマンスを達成した。 TPOT AutoMLに対するログ損失の19.05\%、mljarが管理するAutoMLに対する10.53\%の改善がある。 AutoMLツールで達成された満足のいくフィルタリングパフォーマンスは、AutoMLツールの潜在的なアプリケーションを提供し、SMSスパムメッセージフィルタリングに最適な最高のMLモデルを自動的に決定する。

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)
• The Devil is in the Errors: Leveraging Large Language Models for Fine-grained Machine Translation Evaluation [93.01964988474755]
  AutoMQMは,大規模な言語モデルに対して,翻訳におけるエラーの識別と分類を求めるプロンプト技術である。 テキスト内学習と微調整によるラベル付きデータの影響について検討する。 次に, PaLM-2モデルを用いてAutoMQMを評価し, スコアのプロンプトよりも性能が向上することがわかった。
  論文  参考訳（メタデータ） (2023-08-14T17:17:21Z)
• 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)
• SubStrat: A Subset-Based Strategy for Faster AutoML [5.833272638548153]
  SubStratは、設定スペースではなく、データサイズに取り組むAutoML最適化戦略である。 既存のAutoMLツールをラップし、データセット全体を直接実行する代わりに、SubStratは遺伝的アルゴリズムを使用して小さなサブセットを見つける。 その後、小さなサブセットにAutoMLツールを使用し、最後に、大きなデータセット上で制限された、はるかに短いAutoMLプロセスを実行することで、結果のパイプラインを洗練する。
  論文  参考訳（メタデータ） (2022-06-07T07:44:06Z)
• VolcanoML: Speeding up End-to-End AutoML via Scalable Search Space Decomposition [57.06900573003609]
  VolcanoMLは、大規模なAutoML検索スペースを小さなものに分解するフレームワークである。 最新のデータベースシステムでサポートされているような、Volcanoスタイルの実行モデルをサポートしている。 評価の結果,VolcanoMLは,AutoMLにおける検索空間分解の表現性を向上するだけでなく,分解戦略の実際の発見につながることが示された。
  論文  参考訳（メタデータ） (2021-07-19T13:23:57Z)
• A Neophyte With AutoML: Evaluating the Promises of Automatic Machine Learning Tools [1.713291434132985]
  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。
  論文  参考訳（メタデータ） (2021-01-14T19:28:57Z)
• 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)
• 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)
• AutoGluon-Tabular: Robust and Accurate AutoML for Structured Data [120.2298620652828]
  オープンソースのAutoMLフレームワークであるAutoGluon-Tabularを紹介します。 KaggleとOpenML AutoML Benchmarkの50の分類および回帰タスクからなるスイートのテストによると、AutoGluonはより速く、より堅牢で、はるかに正確である。
  論文  参考訳（メタデータ） (2020-03-13T23:10:39Z)

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。