論文の概要: LightAutoML: AutoML Solution for a Large Financial Services Ecosystem

• arxiv url: http://arxiv.org/abs/2109.01528v1
• Date: Fri, 3 Sep 2021 13:52:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-06 16:48:31.051738
• Title: LightAutoML: AutoML Solution for a Large Financial Services Ecosystem
• Title（参考訳）: LightAutoML: 大規模な金融サービスエコシステムのためのAutoMLソリューション
• Authors: Anton Vakhrushev, Alexander Ryzhkov, Maxim Savchenko, Dmitry Simakov, Rinchin Damdinov, Alexander Tuzhilin
• Abstract要約: 本稿では、ヨーロッパ大手金融サービス会社向けに開発されたLightAutoMLと呼ばれるAutoMLシステムについて述べる。 当社のフレームワークは、多数のアプリケーションに試験的にデプロイされ、経験豊富なデータサイエンティストのレベルで実行されました。
• 参考スコア（独自算出の注目度）: 108.09104876115428
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an AutoML system called LightAutoML developed for a large European financial services company and its ecosystem satisfying the set of idiosyncratic requirements that this ecosystem has for AutoML solutions. Our framework was piloted and deployed in numerous applications and performed at the level of the experienced data scientists while building high-quality ML models significantly faster than these data scientists. We also compare the performance of our system with various general-purpose open source AutoML solutions and show that it performs better for most of the ecosystem and OpenML problems. We also present the lessons that we learned while developing the AutoML system and moving it into production.
• Abstract（参考訳）: 我々は、ヨーロッパの大手金融サービス企業のために開発されたLightAutoMLシステムとそのエコシステムについて、このエコシステムがAutoMLソリューションに持つ一連の慣用的要件を満たす。 私たちのフレームワークは、多数のアプリケーションでパイロットされ、デプロイされ、経験豊富なデータサイエンティストのレベルで実行されました。 また、我々のシステムの性能を、さまざまな汎用オープンソースAutoMLソリューションと比較し、エコシステムやOpenMLの問題の多くにより良いパフォーマンスを示す。 また、AutoMLシステムを開発しプロダクションに移行する過程で学んだ教訓を紹介します。

関連論文リスト

• SELA: Tree-Search Enhanced LLM Agents for Automated Machine Learning [14.702694298483445]
  Tree-Search Enhanced LLM Agents (SELA)は、Monte Carlo Tree Search (MCTS)を利用してAutoMLプロセスを最適化するエージェントベースのシステムである。 SELAはパイプライン構成をツリーとして表現し、エージェントが知的かつ反復的に戦略を洗練させることを可能にする。 20の機械学習データセットにわたる広範囲な評価において、従来のAutoML手法とエージェントベースのAutoML手法のパフォーマンスを比較した。
  論文  参考訳（メタデータ） (2024-10-22T17:56:08Z)
• 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)
• DREAM: Debugging and Repairing AutoML Pipelines [39.83914420717843]
  我々はAutoMLシステムのための自動デバッグ・修復システムであるDREAMを設計・実装する。 AutoMLのプロセスを監視し、詳細なフィードバックを収集し、検索スペースを拡張してバグを自動的に修復する。 評価の結果,DREAMはAutoMLのバグを効果的かつ効率的に修復できることがわかった。
  論文  参考訳（メタデータ） (2023-12-31T02:45:17Z)
• 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)
• OmniForce: On Human-Centered, Large Model Empowered and Cloud-Edge Collaborative AutoML System [85.8338446357469]
  我々は人間中心のAutoMLシステムであるOmniForceを紹介した。 我々は、OmniForceがAutoMLシステムを実践し、オープン環境シナリオにおける適応型AIを構築する方法について説明する。
  論文  参考訳（メタデータ） (2023-03-01T13:35:22Z)
• 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)
• 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)
• Ensemble Squared: A Meta AutoML System [13.062016289815054]
  本稿では,AutoMLシステムのレベルをアンサンブルする「メタ」オートMLシステムを提案する。 Ensemble Squaredは、既存の競合するAutoMLシステムの多様性を活用して、それらのセットによって同時に生成されたトップパフォーマンスモデルをアンサンブルする。
  論文  参考訳（メタデータ） (2020-12-10T01:09:00Z)

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。