論文の概要: AutoMLBench: A Comprehensive Experimental Evaluation of Automated
Machine Learning Frameworks
- arxiv url: http://arxiv.org/abs/2204.08358v1
- Date: Mon, 18 Apr 2022 15:03:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-19 14:08:02.056108
- Title: AutoMLBench: A Comprehensive Experimental Evaluation of Automated
Machine Learning Frameworks
- Title（参考訳）: AutoMLBench: 自動機械学習フレームワークの総合的な実験的評価
- Authors: Hassan Eldeeb, Mohamed Maher, Oleh Matsuk, Abdelrahman Aldallal, Radwa
Elshawi, and Sherif Sak
- Abstract要約: 我々は、Auto-Weka、AutoSKlearn、TPOT、Recipe、ATM、SmartMLの6つの人気フレームワークのパフォーマンス特性を比較した。
調査の結果から,AutoMLフレームワークの設計をガイドし,影響を与える,さまざまな興味深い洞察が得られた。
- 参考スコア（独自算出の注目度）: 0.09236074230806578
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nowadays, machine learning is playing a crucial role in harnessing the power
of the massive amounts of data that we are currently producing every day in our
digital world. With the booming demand for machine learning applications, it
has been recognized that the number of knowledgeable data scientists can not
scale with the growing data volumes and application needs in our digital world.
In response to this demand, several automated machine learning (AutoML)
techniques and frameworks have been developed to fill the gap of human
expertise by automating the process of building machine learning pipelines. In
this study, we present a comprehensive evaluation and comparison of the
performance characteristics of six popular AutoML frameworks, namely,
Auto-Weka, AutoSKlearn, TPOT, Recipe, ATM, and SmartML across 100 data sets
from established AutoML benchmark suites. Our experimental evaluation considers
different aspects for its comparison including the performance impact of
several design decisions including time budget, size of search space,
meta-learning, and ensemble construction. The results of our study reveal
various interesting insights that can significantly guide and impact the design
of AutoML frameworks.
- Abstract（参考訳）: 今日では、私たちのデジタル世界で現在毎日生産されている大量のデータを活用する上で、機械学習は重要な役割を担っている。
機械学習アプリケーションの需要が急増する中で、知識のあるデータサイエンティストの数は、デジタル世界におけるデータボリュームやアプリケーションニーズの増大とともにスケールできないことが認識されている。
この要求に応えるために、機械学習パイプラインを構築するプロセスを自動化することで、人間の専門知識のギャップを埋めるために、いくつかの自動機械学習(AutoML)技術とフレームワークが開発されている。
本研究では,Auto-Weka,AutoSKlearn,TPOT,Recipe,ATM,SmartMLの6つの人気フレームワークのパフォーマンス特性を,既存のAutoMLベンチマークスイートから100データセットにわたって総合的に評価し,比較した。
実験評価では,時間予算,検索空間の大きさ,メタラーニング,アンサンブル構成など,いくつかの設計判断のパフォーマンスへの影響について検討した。
調査の結果から,AutoMLフレームワークの設計をガイドし,影響を与える,さまざまな興味深い洞察が得られた。
関連論文リスト
- 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) - 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) - Automated Machine Learning in the smart construction era:Significance
and accessibility for industrial classification and regression tasks [6.206133097433925]
本稿では,自動機械学習(AutoML)技術の建築産業への適用について検討する。
AutoMLを利用することで、建設専門家はソフトウェアを使用して産業データをプロジェクト管理を支援するMLモデルに処理できる。
論文 参考訳（メタデータ） (2023-08-03T03:17:22Z) - AutoTransfer: AutoML with Knowledge Transfer -- An Application to Graph
Neural Networks [75.11008617118908]
AutoML技術は、各タスクをスクラッチから独立して考慮し、高い計算コストをもたらす。
本稿では,従来の設計知識を新たな関心事に伝達することで,検索効率を向上させるAutoTransferを提案する。
論文 参考訳（メタデータ） (2023-03-14T07:23:16Z) - 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) - Man versus Machine: AutoML and Human Experts' Role in Phishing Detection [4.124446337711138]
本稿では,10種類のフィッシングデータセット上での6つの最先端AutoMLフレームワークのパフォーマンスを比較した。
以上の結果から,AutoMLベースのモデルでは,複雑な分類タスクにおいて,手作業で開発した機械学習モデルよりも優れていることが示唆された。
論文 参考訳（メタデータ） (2021-08-27T09:26:20Z) - Fits and Starts: Enterprise Use of AutoML and the Role of Humans in the
Loop [4.468952886990851]
AutoMLシステムは、日常的なデータサイエンス作業をスピードアップし、統計学やコンピュータサイエンスの専門知識がなくても機械学習を利用できるようにする。
私たちは、さまざまな規模の組織から29人の個人にインタビューを行い、AutoMLシステムの使用方法、または使用予定を特徴づけます。
本研究は,人間のループ内視覚分析手法の設計と実装に影響を及ぼすものである。
論文 参考訳（メタデータ） (2021-01-12T04:52:48Z) - AutoML to Date and Beyond: Challenges and Opportunities [30.60364966752454]
AutoMLツールは、機械学習を非機械学習の専門家が利用できるようにすることを目的としている。
本稿では,AutoMLシステムのための新しい分類システムを提案する。
エンド・ツー・エンドの機械学習パイプラインのさらなる自動化に必要な研究を指摘して、将来のロードマップを策定しました。
論文 参考訳（メタデータ） (2020-10-21T06:08:21Z) - Automated Machine Learning -- a brief review at the end of the early
years [14.211962590104111]
Automated Machine Learning (AutoML)は、機械学習システムの設計のすべての段階を自動化、拡張することを目的とした機械学習のサブフィールドである。
教師あり学習の文脈では、AutoMLは特徴抽出、事前処理、モデル設計、ポスト処理に関係している。
論文 参考訳（メタデータ） (2020-08-19T15:48:49Z) - 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) - 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。