論文の概要: AutoML for Climate Change: A Call to Action

• arxiv url: http://arxiv.org/abs/2210.03324v1
• Date: Fri, 7 Oct 2022 04:52:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 12:30:08.793324
• Title: AutoML for Climate Change: A Call to Action
• Title（参考訳）: 気候変動のためのAutoML - 行動を呼びかける
• Authors: Renbo Tu, Nicholas Roberts, Vishak Prasad, Sibasis Nayak, Paarth Jain, Frederic Sala, Ganesh Ramakrishnan, Ameet Talwalkar, Willie Neiswanger, Colin White
• Abstract要約: CCAIのためのAutoMLの領域には、将来的な作業のための具体的な、有望な方向性が数多くあるので、私たちはAutoMLコミュニティに電話をかけます。 現在、アウトオブボックスのAutoMLライブラリは、人間が設計したCCAIモデルのパフォーマンスを有意義に上回っていないことが分かりました。 ほとんどのAutoML技術がコンピュータビジョンやNLPアプリケーションに適したものであるという事実から、いくつかの重要な弱点を特定します。
• 参考スコア（独自算出の注目度）: 41.315136841526446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The challenge that climate change poses to humanity has spurred a rapidly developing field of artificial intelligence research focused on climate change applications. The climate change AI (CCAI) community works on a diverse, challenging set of problems which often involve physics-constrained ML or heterogeneous spatiotemporal data. It would be desirable to use automated machine learning (AutoML) techniques to automatically find high-performing architectures and hyperparameters for a given dataset. In this work, we benchmark popular AutoML libraries on three high-leverage CCAI applications: climate modeling, wind power forecasting, and catalyst discovery. We find that out-of-the-box AutoML libraries currently fail to meaningfully surpass the performance of human-designed CCAI models. However, we also identify a few key weaknesses, which stem from the fact that most AutoML techniques are tailored to computer vision and NLP applications. For example, while dozens of search spaces have been designed for image and language data, none have been designed for spatiotemporal data. Addressing these key weaknesses can lead to the discovery of novel architectures that yield substantial performance gains across numerous CCAI applications. Therefore, we present a call to action to the AutoML community, since there are a number of concrete, promising directions for future work in the space of AutoML for CCAI. We release our code and a list of resources at https://github.com/climate-change-automl/climate-change-automl.
• Abstract（参考訳）: 気候変動が人類にもたらす課題は、気候変動の応用に焦点を当てた人工知能研究の急速な発展に拍車をかけた。 気候変動AI(CCAI)コミュニティは、物理に制約されたMLや異種時空間データを含む、多様で困難な一連の問題に取り組んでいる。 自動機械学習(AutoML)技術を使用して、特定のデータセットに対してハイパフォーマンスなアーキテクチャとハイパーパラメータを自動的に見つけることが望ましい。 本研究では、気候モデリング、風力予測、触媒発見の3つの高レベルCCAIアプリケーション上で、人気のあるAutoMLライブラリをベンチマークする。 現在、アウトオブボックスのAutoMLライブラリは、人間が設計したCCAIモデルのパフォーマンスを有意義に上回っていない。 しかし、多くのAutoML技術がコンピュータビジョンやNLPアプリケーションに適したものであるという事実から、いくつかの重要な弱点も特定できる。 例えば、画像と言語データのために数十の検索空間が設計されたが、時空間データのために設計されたものはない。 これらの重要な弱点に対処することで、多くのCCAIアプリケーションで大幅なパフォーマンス向上をもたらす新しいアーキテクチャが発見される可能性がある。 そこで我々は,AutoML for CCAIの領域に,将来的な作業のための具体的かつ有望な方向性がいくつもあることから,AutoMLコミュニティに行動を呼びかけている。 コードとリソースのリストはhttps://github.com/climate-change-automl/climate-change-automlで公開しています。

関連論文リスト

• AutoFLUKA: A Large Language Model Based Framework for Automating Monte Carlo Simulations in FLUKA [6.571041942559539]
  モンテカルロ (MC) シミュレーションは、科学と工学の分野で現実世界のシナリオを再現するために不可欠である。 堅牢性と汎用性にもかかわらず、FLUKAは自動化と外部の後処理ツールとの統合において大きな制限に直面している。 本研究では,これらの制約に対処するLarge Language Models(LLM)とAIエージェントの可能性について検討する。 本稿では、LangChain Python Frameworkを用いて開発され、FLUKAの典型的なMCシミュレーションを自動化するAIエージェントであるAutoFLUKAを紹介する。
  論文  参考訳（メタデータ） (2024-10-19T21:50:11Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)

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。