論文の概要: AutoSmart: An Efficient and Automatic Machine Learning framework for
Temporal Relational Data
- arxiv url: http://arxiv.org/abs/2109.04115v1
- Date: Thu, 9 Sep 2021 09:11:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-10 14:09:01.176617
- Title: AutoSmart: An Efficient and Automatic Machine Learning framework for
Temporal Relational Data
- Title(参考訳): AutoSmart: 時間関係データのための効率的かつ自動機械学習フレームワーク
- Authors: Zhipeng Luo, Zhixing He, Jin Wang, Manqing Dong, Jianqiang Huang,
Mingjian Chen, Bohang Zheng
- Abstract要約: テンポラルリレーショナルデータは、おそらく産業機械学習アプリケーションで最もよく使われるデータ型である。
本研究では,上記の問題にエンドツーエンドの自動処理で対処する手法を提案する。
提案されたフレームワークであるAutoSmartは、AutoML TrackのKDD Cup 2019で優勝したソリューションである。
- 参考スコア(独自算出の注目度): 30.61871094916853
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Temporal relational data, perhaps the most commonly used data type in
industrial machine learning applications, needs labor-intensive feature
engineering and data analyzing for giving precise model predictions. An
automatic machine learning framework is needed to ease the manual efforts in
fine-tuning the models so that the experts can focus more on other problems
that really need humans' engagement such as problem definition, deployment, and
business services. However, there are three main challenges for building
automatic solutions for temporal relational data: 1) how to effectively and
automatically mining useful information from the multiple tables and the
relations from them? 2) how to be self-adjustable to control the time and
memory consumption within a certain budget? and 3) how to give generic
solutions to a wide range of tasks? In this work, we propose our solution that
successfully addresses the above issues in an end-to-end automatic way. The
proposed framework, AutoSmart, is the winning solution to the KDD Cup 2019 of
the AutoML Track, which is one of the largest AutoML competition to date (860
teams with around 4,955 submissions). The framework includes automatic data
processing, table merging, feature engineering, and model tuning, with a
time\&memory controller for efficiently and automatically formulating the
models. The proposed framework outperforms the baseline solution significantly
on several datasets in various domains.
- Abstract(参考訳): 時間的リレーショナルデータは、おそらく産業機械学習アプリケーションで最もよく使われるデータ型であり、正確なモデル予測を与えるために、労働集約的な特徴工学とデータ分析が必要である。
自動機械学習フレームワークは、モデルを微調整するための手作業を容易にするために必要であり、専門家は問題定義やデプロイメント、ビジネスサービスなど、人間のエンゲージメントが本当に必要な他の問題にもっと焦点を合わせることができる。
しかし、時間関係データの自動解法を構築するには、3つの大きな課題がある: 1)複数のテーブルとそれらの関係から有用な情報を効果的かつ自動的にマイニングする方法?
2)一定の予算内で時間とメモリ消費を制御するために、自己調整可能な方法。
3) 幅広いタスクに対して汎用的なソリューションを提供するには?
そこで本研究では,この課題をエンドツーエンドで自動的に解決する手法を提案する。
提案されたフレームワークであるAutoSmartは、これまでで最大のAutoMLコンペティション(約4,955の応募を含む860のチーム)のひとつであるAutoML TrackのKDD Cup 2019の優勝ソリューションである。
このフレームワークには、自動データ処理、テーブルマージ、機能エンジニアリング、モデルチューニングが含まれ、モデルを効率的にかつ自動的に定式化するタイムメモリコントローラが含まれている。
提案するフレームワークは,さまざまなドメインの複数のデータセット上で,ベースラインソリューションを著しく上回る。
関連論文リスト
- AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。
さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
論文 参考訳(メタデータ) (2024-03-26T04:27:56Z) - AutoAct: Automatic Agent Learning from Scratch for QA via Self-Planning [54.47116888545878]
AutoActはQAのための自動エージェント学習フレームワークである。
大規模アノテートデータやクローズドソースモデルからの合成計画軌道は依存していない。
論文 参考訳(メタデータ) (2024-01-10T16:57:24Z) - AutoXPCR: Automated Multi-Objective Model Selection for Time Series
Forecasting [1.0515439489916734]
本稿では,自動的かつ説明可能な多目的モデル選択のための新しい手法であるAutoXPCRを提案する。
我々の手法はメタラーニングを利用して、(P)予測誤差、(C)ミスプレキシティ、(R)ソース要求を含むPCR基準に沿ったモデルの性能を推定する。
我々の手法は、他のモデル選択手法よりも明らかに優れている。平均すると、最高の品質の90%のモデルに推奨する計算コストの20%しか必要としない。
論文 参考訳(メタデータ) (2023-12-20T14:04:57Z) - AutoML-GPT: Automatic Machine Learning with GPT [74.30699827690596]
本稿では,タスク指向のプロンプトを開発し,大規模言語モデル(LLM)を自動的に活用して学習パイプラインを自動化することを提案する。
本稿では,多様なAIモデルのブリッジとしてGPTを用いたAutoML-GPTを提案する。
このアプローチはコンピュータビジョン、自然言語処理、その他の課題領域において顕著な結果をもたらす。
論文 参考訳(メタデータ) (2023-05-04T02:09:43Z) - AutoCure: Automated Tabular Data Curation Technique for ML Pipelines [0.0]
本稿では,新鮮で構成のないデータキュレーションパイプラインであるAutoCureを紹介する。
従来のデータキュレーション方法とは異なり、AutoCureはクリーンなデータ率の密度を合成的に強化する。
実際にAutoCureは、オープンソースのツールと統合して、機械学習の民主化を促進することができる。
論文 参考訳(メタデータ) (2023-04-26T15:51:47Z) - 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) - Resource-Aware Pareto-Optimal Automated Machine Learning Platform [1.6746303554275583]
新プラットフォーム Resource-Aware AutoML (RA-AutoML)
RA-AutoMLは、フレキシブルで一般化されたアルゴリズムで、複数の目的に合わせた機械学習モデルを構築することができる。
論文 参考訳(メタデータ) (2020-10-30T19:37:48Z) - AutoFIS: Automatic Feature Interaction Selection in Factorization Models
for Click-Through Rate Prediction [75.16836697734995]
自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。
AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。
AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
論文 参考訳(メタデータ) (2020-03-25T06:53:54Z) - 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。