論文の概要: Automatic Componentwise Boosting: An Interpretable AutoML System
- arxiv url: http://arxiv.org/abs/2109.05583v1
- Date: Sun, 12 Sep 2021 18:34:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-16 09:24:33.708489
- Title: Automatic Componentwise Boosting: An Interpretable AutoML System
- Title（参考訳）: Auto Componentwise Boosting: 解釈可能なAutoMLシステム
- Authors: Stefan Coors and Daniel Schalk and Bernd Bischl and David R\"ugamer
- Abstract要約: 本稿では,高度にスケーラブルなコンポーネントワイドブースティングアルゴリズムを用いて適用可能な,解釈可能な付加モデルを構築するAutoMLシステムを提案する。
我々のシステムは、部分的な効果やペアの相互作用を可視化するなど、簡単なモデル解釈のためのツールを提供する。
解釈可能なモデル空間に制限があるにもかかわらず、我々のシステムは、ほとんどのデータセットにおける予測性能の点で競争力がある。
- 参考スコア（独自算出の注目度）: 1.1709030738577393
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In practice, machine learning (ML) workflows require various different steps,
from data preprocessing, missing value imputation, model selection, to model
tuning as well as model evaluation. Many of these steps rely on human ML
experts. AutoML - the field of automating these ML pipelines - tries to help
practitioners to apply ML off-the-shelf without any expert knowledge. Most
modern AutoML systems like auto-sklearn, H20-AutoML or TPOT aim for high
predictive performance, thereby generating ensembles that consist almost
exclusively of black-box models. This, in turn, makes the interpretation for
the layperson more intricate and adds another layer of opacity for users. We
propose an AutoML system that constructs an interpretable additive model that
can be fitted using a highly scalable componentwise boosting algorithm. Our
system provides tools for easy model interpretation such as visualizing partial
effects and pairwise interactions, allows for a straightforward calculation of
feature importance, and gives insights into the required model complexity to
fit the given task. We introduce the general framework and outline its
implementation autocompboost. To demonstrate the frameworks efficacy, we
compare autocompboost to other existing systems based on the OpenML
AutoML-Benchmark. Despite its restriction to an interpretable model space, our
system is competitive in terms of predictive performance on most data sets
while being more user-friendly and transparent.
- Abstract（参考訳）: 実際には、機械学習(ML)ワークフローは、データ前処理、値インプットの欠如、モデル選択、モデルチューニング、モデル評価など、さまざまなステップを必要とする。
これらのステップの多くは、人間のML専門家に依存しています。
これらのMLパイプラインを自動化する分野であるAutoMLは、専門家の知識なしにMLをオフザシェルフに適用する実践者を支援する。
Auto-sklearnやH20-AutoML、TPOTといった現代のAutoMLシステムは高い予測性能を目標としており、ブラックボックスモデルのみで構成されるアンサンブルを生成する。
これにより、素人の解釈がより複雑になり、ユーザーにとって不透明な別の層が加わった。
本稿では,高スケーラブルなコンポーネントワイドブースティングアルゴリズムを用いて,解釈可能な付加モデルを構築するAutoMLシステムを提案する。
本システムでは,部分的効果や相互相互作用の可視化などの容易なモデル解釈のためのツールを提供し,特徴量を直接計算し,与えられたタスクに適合するために必要なモデル複雑性に関する洞察を提供する。
一般的なフレームワークを紹介し、その実装について概説する。
フレームワークの有効性を示すため、OpenML AutoML-Benchmarkに基づく既存のシステムと比較する。
解釈可能なモデル空間に制限されているにもかかわらず、我々のシステムは、よりユーザーフレンドリーで透明でありながら、ほとんどのデータセットで予測性能の点で競争力がある。
関連論文リスト
- Matchmaker: Self-Improving Large Language Model Programs for Schema Matching [60.23571456538149]
本稿では,スキーママッチングのための合成言語モデルプログラムを提案する。
Matchmakerは、ラベル付きデモを必要とせずに、ゼロショットで自己改善する。
実証的に、Matchmakerが以前のMLベースのアプローチより優れている実世界の医療スキーママッチングベンチマークを実証する。
論文 参考訳（メタデータ） (2024-10-31T16:34:03Z) - UniAutoML: A Human-Centered Framework for Unified Discriminative and Generative AutoML with Large Language Models [5.725785427377439]
我々は、人間中心のAutoMLフレームワークであるUniAutoMLを紹介し、AutoMLを識別的タスクと生成的タスクの両方に統一する。
UniAutoMLの人間中心の設計は、自然言語の対話を容易にする対話型ユーザインタフェース(CUI)を革新的に特徴付けている。
この設計により、AutoMLトレーニングプロセス全体の透明性とユーザコントロールが向上し、ユーザがトレーニング対象のモデルをシームレスに分解あるいは修正できるようになる。
論文 参考訳（メタデータ） (2024-10-09T17:33:15Z) - 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) - Verbalized Machine Learning: Revisiting Machine Learning with Language Models [63.10391314749408]
言語化機械学習(VML)の枠組みを紹介する。
VMLはパラメータ空間を人間の解釈可能な自然言語に制限する。
我々は,VMLの有効性を実証的に検証し,VMLがより強力な解釈可能性を実現するためのステップストーンとして機能することを期待する。
論文 参考訳（メタデータ） (2024-06-06T17:59:56Z) - 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) - Deciphering AutoML Ensembles: cattleia's Assistance in Decision-Making [0.0]
Cattleiaは、回帰、マルチクラス、バイナリ分類タスクのアンサンブルを解読するアプリケーションである。
Auto-Sklearn、AutoGluon、FLAMLという3つのAutoMLパッケージで構築されたモデルで動作する。
論文 参考訳（メタデータ） (2024-03-19T11:56:21Z) - Multi-modal Auto-regressive Modeling via Visual Words [96.25078866446053]
本稿では,視覚的特徴を大規模多モードモデルの語彙上の確率分布にマッピングする視覚トークンの概念を提案する。
さらに、LMM内の意味空間における視覚的特徴の分布と、視覚情報を表現するためにテキスト埋め込みを使用することの可能性について検討する。
論文 参考訳（メタデータ） (2024-03-12T14:58:52Z) - 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) - Model LineUpper: Supporting Interactive Model Comparison at Multiple
Levels for AutoML [29.04776652873194]
現在のAutoMLシステムでは、選択はパフォーマンスメトリックによってのみサポートされる。
複数のXAI(Explainable AI)と可視化技術を組み合わせることで、AutoMLのインタラクティブなモデル比較を支援するツールを開発しています。
論文 参考訳（メタデータ） (2021-04-09T14:06:13Z) - Interpret-able feedback for AutoML systems [5.5524559605452595]
自動機械学習(AutoML)システムは、非ML専門家のための機械学習(ML)モデルのトレーニングを可能にすることを目的としている。
これらのシステムの欠点は、高い精度でモデルの生成に失敗した場合、モデルを改善するためのパスがないことである。
AutoML用の解釈可能なデータフィードバックソリューションを紹介します。
論文 参考訳（メタデータ） (2021-02-22T18:54:26Z) - Robusta: Robust AutoML for Feature Selection via Reinforcement Learning [24.24652530951966]
強化学習(RL)に基づく初の堅牢なAutoMLフレームワークRobostaを提案します。
このフレームワークは,良性サンプルの競争精度を維持しつつ,モデルロバスト性を最大22%向上させることができることを示す。
論文 参考訳（メタデータ） (2021-01-15T03:12:29Z)
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。