論文の概要: Automated Evolutionary Approach for the Design of Composite Machine
Learning Pipelines
- arxiv url: http://arxiv.org/abs/2106.15397v1
- Date: Sat, 26 Jun 2021 23:19:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-30 15:23:03.757295
- Title: Automated Evolutionary Approach for the Design of Composite Machine
Learning Pipelines
- Title(参考訳): 複合機械学習パイプラインの設計のための自動進化アプローチ
- Authors: Nikolay O. Nikitin, Pavel Vychuzhanin, Mikhail Sarafanov, Iana S.
Polonskaia, Ilia Revin, Irina V. Barabanova, Gleb Maximov, Anna V.
Kalyuzhnaya, Alexander Boukhanovsky
- Abstract要約: 提案手法は、複合機械学習パイプラインの設計を自動化することを目的としている。
パイプラインをカスタマイズ可能なグラフベースの構造で設計し、得られた結果を分析して再生する。
このアプローチのソフトウェア実装は、オープンソースフレームワークとして紹介されている。
- 参考スコア(独自算出の注目度): 48.7576911714538
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The effectiveness of the machine learning methods for real-world tasks
depends on the proper structure of the modeling pipeline. The proposed approach
is aimed to automate the design of composite machine learning pipelines, which
is equivalent to computation workflows that consist of models and data
operations. The approach combines key ideas of both automated machine learning
and workflow management systems. It designs the pipelines with a customizable
graph-based structure, analyzes the obtained results, and reproduces them. The
evolutionary approach is used for the flexible identification of pipeline
structure. The additional algorithms for sensitivity analysis, atomization, and
hyperparameter tuning are implemented to improve the effectiveness of the
approach. Also, the software implementation on this approach is presented as an
open-source framework. The set of experiments is conducted for the different
datasets and tasks (classification, regression, time series forecasting). The
obtained results confirm the correctness and effectiveness of the proposed
approach in the comparison with the state-of-the-art competitors and baseline
solutions.
- Abstract(参考訳): 実世界のタスクに対する機械学習手法の有効性は、モデリングパイプラインの適切な構造に依存する。
提案手法は、モデルとデータ操作からなる計算ワークフローに相当する複合機械学習パイプラインの設計を自動化することを目的としている。
このアプローチは、自動機械学習とワークフロー管理システムの両方の主要なアイデアを組み合わせたものだ。
パイプラインをカスタマイズ可能なグラフベースの構造で設計し、得られた結果を分析して再生する。
進化的アプローチはパイプライン構造の柔軟な識別に使用される。
感度解析、原子化、ハイパーパラメータチューニングのための追加のアルゴリズムが実装され、アプローチの有効性が向上する。
また、このアプローチのソフトウェア実装はオープンソースフレームワークとして提示されます。
実験のセットは、異なるデータセットとタスク(分類、回帰、時系列予測)に対して実行される。
その結果,提案手法の正当性と有効性は,最先端の競合相手やベースラインソリューションと比較して検証した。
関連論文リスト
- Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
PropEnは'matching'にインスパイアされている。
一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
論文 参考訳(メタデータ) (2024-05-28T11:30:19Z) - Integration Of Evolutionary Automated Machine Learning With Structural
Sensitivity Analysis For Composite Pipelines [0.38696580294804606]
AutoMLは、所定の機械学習問題に対して、固定パイプラインまたはフレキシブルパイプラインを生成する。
柔軟なパイプラインは構造的に過度に複雑になり、説明性に乏しい。
本稿では, 感度解析を取り入れることで, フレキシブルパイプラインの負の点を補償するEVOSA手法を提案する。
論文 参考訳(メタデータ) (2023-12-22T15:39:03Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳(メタデータ) (2023-05-25T10:58:46Z) - Self Optimisation and Automatic Code Generation by Evolutionary
Algorithms in PLC based Controlling Processes [0.0]
複雑なプロセスのシステム論理を自己最適化するために,進化的アルゴリズムに基づく新しいアプローチを提案する。
提案手法は,多目的問題を考慮した産業用液体ステーションプロセスで評価する。
論文 参考訳(メタデータ) (2023-04-12T06:36:54Z) - Improvement of Computational Performance of Evolutionary AutoML in a
Heterogeneous Environment [0.0]
グラフ構造を持つパイプラインのモデリングにおける進化的最適化の質を高めるためのモジュラー手法を提案する。
実装されたアルゴリズムは、オープンソースのフレームワークであるFEDOTの一部として利用可能である。
論文 参考訳(メタデータ) (2023-01-12T15:59:04Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳(メタデータ) (2021-12-22T14:45:37Z) - Multi-Objective Evolutionary Design of CompositeData-Driven Models [0.0]
この手法はGPComp@Freeと呼ばれるモデル設計のためのパラメータフリーな遺伝的アルゴリズムに基づいている。
実験結果から, モデル設計に対する多目的アプローチにより, 得られたモデルの多様性と品質が向上することが確認された。
論文 参考訳(メタデータ) (2021-03-01T20:45:24Z) - PipeSim: Trace-driven Simulation of Large-Scale AI Operations Platforms [4.060731229044571]
大規模AIシステムのためのトレース駆動シミュレーションに基づく実験・分析環境を提案する。
IBMが開発したプロダクショングレードAIプラットフォームの分析データは、包括的なシミュレーションモデルを構築するために使用される。
独立して独立したイベントシミュレーターでモデルを実装し、実験を行うためのツールキットを提供する。
論文 参考訳(メタデータ) (2020-06-22T19:55:37Z) - Learning with Differentiable Perturbed Optimizers [54.351317101356614]
本稿では,操作を微分可能で局所的に一定ではない操作に変換する手法を提案する。
提案手法は摂動に依拠し,既存の解法とともに容易に利用することができる。
本稿では,この枠組みが,構造化予測において発達した損失の族とどのように結びつくかを示し,学習課題におけるそれらの使用に関する理論的保証を与える。
論文 参考訳(メタデータ) (2020-02-20T11:11:32Z)
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。