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
- AUTOACT: Automatic Agent Learning from Scratch via Self-Planning [56.81725335882185]
AutoActは、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軌跡に依存しない自動エージェント学習フレームワークである。
我々は異なるLLMを用いて総合的な実験を行い、AutoActは様々な強力なベースラインと比較して優れた性能または並列性能が得られることを示した。
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) - ClimSim: A large multi-scale dataset for hybrid physics-ML climate
emulation [89.29389098578194]
物理と機械学習(ML)を組み合わせたハイブリッドな手法は、新しい世代の高忠実度気候シミュレータを導入した。
ClimSimは、ハイブリッドML物理研究のために設計された、史上最大のデータセットである。
論文 参考訳(メタデータ) (2023-06-14T21:26:31Z) - 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) - Climate-Invariant Machine Learning [0.8831201550856289]
現在の気候モデルは、モデルグリッドサイズよりも小さなスケールで発生するプロセスの表現を必要とする。
最近の機械学習(ML)アルゴリズムは、そのようなプロセス表現を改善することを約束するが、訓練されていない気候体制に悪影響を及ぼす傾向がある。
我々は、気候プロセスの知識をMLアルゴリズムに取り入れた「気候不変」MLと呼ばれる新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-12-14T07:02:57Z) - 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。