論文の概要: AutoDES: AutoML Pipeline Generation of Classification with Dynamic
Ensemble Strategy Selection
- arxiv url: http://arxiv.org/abs/2201.00207v1
- Date: Sat, 1 Jan 2022 15:17:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-04 14:47:18.651476
- Title: AutoDES: AutoML Pipeline Generation of Classification with Dynamic
Ensemble Strategy Selection
- Title(参考訳): AutoDES:動的アンサンブル戦略選択による分類の自動MLパイプライン生成
- Authors: Yunpu Zhao
- Abstract要約: 動的アンサンブル選択の進歩を取り入れた機械学習のための新しいフレームワークを提案する。
われわれのアプローチはAutoMLの分野で初めてアンサンブル戦略を検索し最適化するものである。
比較実験において、本手法は、最先端の機械学習フレームワークを同じCPU時間で性能良くする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Automating machine learning has achieved remarkable technological
developments in recent years, and building an automated machine learning
pipeline is now an essential task. The model ensemble is the technique of
combining multiple models to get a better and more robust model. However,
existing automated machine learning tends to be simplistic in handling the
model ensemble, where the ensemble strategy is fixed, such as stacked
generalization. There have been many techniques on different ensemble methods,
especially ensemble selection, and the fixed ensemble strategy limits the upper
limit of the model's performance. In this article, we present a novel framework
for automated machine learning. Our framework incorporates advances in dynamic
ensemble selection, and to our best knowledge, our approach is the first in the
field of AutoML to search and optimize ensemble strategies. In the comparison
experiments, our method outperforms the state-of-the-art automated machine
learning frameworks with the same CPU time in 42 classification datasets from
the OpenML platform. Ablation experiments on our framework validate the
effectiveness of our proposed method.
- Abstract(参考訳): 近年、機械学習の自動化は目覚ましい技術的発展を遂げており、自動化された機械学習パイプラインの構築は重要な課題となっている。
モデルアンサンブルは、より良くより堅牢なモデルを得るために複数のモデルを組み合わせるテクニックである。
しかし、既存の自動機械学習は、積み重ね一般化のようなアンサンブル戦略が固定されたモデルアンサンブルを扱うのに単純である傾向がある。
異なるアンサンブル法、特にアンサンブルの選択に関する多くの技法があり、固定アンサンブル戦略はモデルの性能の上限を制限している。
本稿では,自動機械学習のための新しいフレームワークを提案する。
我々のフレームワークは動的アンサンブル選択の進歩を取り入れており、私たちの知る限り、私たちのアプローチはAutoMLの分野で最初にアンサンブル戦略を探索し最適化するものである。
比較実験では,OpenMLプラットフォームから42の分類データセットに同じCPU時間で,最先端の機械学習フレームワークの性能を向上する。
フレームワークのアブレーション実験により,提案手法の有効性が検証された。
関連論文リスト
- Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - 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) - Hyperparameter optimization in deep multi-target prediction [16.778802088570412]
私たちは、マルチターゲット予測の傘の下に置かれるほとんどの問題設定に対して、単一のAutoMLフレームワークを提供しています。
私たちの作業は、マルチターゲット予測の傘の下に収まるほとんどの問題設定に対して、単一のAutoMLフレームワークを提供する最初の試みであると見なすことができます。
論文 参考訳(メタデータ) (2022-11-08T16:33:36Z) - A Deep Neural Networks ensemble workflow from hyperparameter search to
inference leveraging GPU clusters [0.0]
AutoMLは、定性的予測を達成するために、ディープニューラルネットワーク(DNN)のアンサンブルを自動的に構築することを目指している。
我々は,より正確で多様な個別モデルのライブラリを構築し,アンサンブルを構築するための新しいAutoMLを提案する。
高精度なアンサンブルを生成するために,多目的グリードアルゴリズムに基づく新しいアンサンブル選択法を提案する。
論文 参考訳(メタデータ) (2022-08-30T08:04:19Z) - Mining Robust Default Configurations for Resource-constrained AutoML [18.326426020906215]
本稿では,オフラインのAutoMLを実行し,多様なタスクに対してマイニングを行うことにより,与えられたタスクに対するパフォーマンス設定を選択する新しい方法を提案する。
当社のアプローチは,既存のAutoMLプラットフォームを温める上で有効であることを示す。
論文 参考訳(メタデータ) (2022-02-20T23:08:04Z) - Learning Multi-Objective Curricula for Deep Reinforcement Learning [55.27879754113767]
深部強化学習(DRL)のサンプル効率と最終性能を向上させるために,各種自動カリキュラム学習(ACL)手法が提案されている。
本稿では,多目的だがコヒーレントなカリキュラムを作成するための統合された自動カリキュラム学習フレームワークを提案する。
既存の手設計のカリキュラムパラダイムに加えて,抽象カリキュラムを学習するためのフレキシブルなメモリ機構を設計する。
論文 参考訳(メタデータ) (2021-10-06T19:30:25Z) - Efficient Data-specific Model Search for Collaborative Filtering [56.60519991956558]
協調フィルタリング(CF)はレコメンダシステムの基本的なアプローチである。
本稿では,機械学習(AutoML)の最近の進歩を動機として,データ固有のCFモデルを設計することを提案する。
ここでキーとなるのは、最先端(SOTA)のCFメソッドを統一し、それらを入力エンコーディング、埋め込み関数、インタラクション、予測関数の非結合ステージに分割する新しいフレームワークである。
論文 参考訳(メタデータ) (2021-06-14T14:30:32Z) - An Extensive Experimental Evaluation of Automated Machine Learning
Methods for Recommending Classification Algorithms (Extended Version) [4.400989370979334]
これら3つの手法は進化的アルゴリズム(EA)に基づいており、もう1つはAuto-WEKAである。
我々は,これらの4つのAutoMLメソッドに,この制限の異なる値に対して,同じランタイム制限を付与する制御実験を行った。
一般に,3つの最良のAutoML手法の予測精度の差は統計的に有意ではなかった。
論文 参考訳(メタデータ) (2020-09-16T02:36:43Z) - Auto-PyTorch Tabular: Multi-Fidelity MetaLearning for Efficient and
Robust AutoDL [53.40030379661183]
Auto-PyTorchは、完全に自動化されたディープラーニング(AutoDL)を実現するフレームワーク
ディープニューラルネットワーク(DNN)のウォームスタートとアンサンブルのためのマルチフィデリティ最適化とポートフォリオ構築を組み合わせる。
Auto-PyTorchは、いくつかの最先端の競合製品よりもパフォーマンスが良いことを示す。
論文 参考訳(メタデータ) (2020-06-24T15:15:17Z) - Adaptation Strategies for Automated Machine Learning on Evolving Data [7.843067454030999]
本研究は,概念ドリフトなどのデータストリーム課題がAutoML手法の性能に及ぼす影響を理解することを目的とする。
本稿では,6つの概念ドリフト適応戦略を提案し,それらの有効性を異なるAutoMLアプローチで評価する。
論文 参考訳(メタデータ) (2020-06-09T14:29:16Z) - 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)
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。