論文の概要: Management of Machine Learning Lifecycle Artifacts: A Survey

• arxiv url: http://arxiv.org/abs/2210.11831v1
• Date: Fri, 21 Oct 2022 09:23:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 16:21:24.215182
• Title: Management of Machine Learning Lifecycle Artifacts: A Survey
• Title（参考訳）: 機械学習ライフサイクルアーティファクトの管理に関する調査
• Authors: Marius Schlegel, Kai-Uwe Sattler
• Abstract要約: 機械学習ライフサイクルアーティファクトの管理を支援するシステムとプラットフォームの概要を述べる。 体系的なレビューに基づいて、評価基準を導出し、60以上のシステムやプラットフォームの代表的選択に適用する。
• 参考スコア（独自算出の注目度）: 7.106986689736826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The explorative and iterative nature of developing and operating machine learning (ML) applications leads to a variety of artifacts, such as datasets, features, models, hyperparameters, metrics, software, configurations, and logs. In order to enable comparability, reproducibility, and traceability of these artifacts across the ML lifecycle steps and iterations, systems and tools have been developed to support their collection, storage, and management. It is often not obvious what precise functional scope such systems offer so that the comparison and the estimation of synergy effects between candidates are quite challenging. In this paper, we aim to give an overview of systems and platforms which support the management of ML lifecycle artifacts. Based on a systematic literature review, we derive assessment criteria and apply them to a representative selection of more than 60 systems and platforms.
• Abstract（参考訳）: 機械学習(ml)アプリケーションの開発と運用に関する探索的かつ反復的な性質は、データセット、機能、モデル、ハイパーパラメータ、メトリクス、ソフトウェア、構成、ログなど、さまざまなアーティファクトにつながる。 これらのアーティファクトの可視性、再現性、トレーサビリティを実現するため、MLライフサイクルステップとイテレーション、システムとツールは、コレクション、ストレージ、管理をサポートするために開発されました。 このようなシステムがどのように正確な機能範囲を提供するかは明確ではなく、候補間の相乗効果の比較と推定が極めて困難である。 本稿では,MLライフサイクルアーティファクトの管理を支援するシステムとプラットフォームの概要について述べる。 体系的な文献レビューに基づき,評価基準を導出し,60以上のシステムとプラットフォームの代表的選択に適用する。

関連論文リスト

• A Multi-Level, Multi-Scale Visual Analytics Approach to Assessment of Multifidelity HPC Systems [17.246865176910045]
  ハードウェアシステムのイベントと振る舞いは、システムの堅牢性と信頼性を改善するために不可欠である。 本研究では,このような膨大なデータを理解するための総合分析システムの構築を目指す。 このエンド・ツー・エンドのログ分析システムとビジュアル・アナリティクス・サポートが組み合わさって、ユーザーはスーパーコンピュータの使用状況やエラーパターンを素早く抽出できる。
  論文  参考訳（メタデータ） (2023-06-15T19:23:50Z)
• Retrieval-Enhanced Machine Learning [110.5237983180089]
  本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。 REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。 REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
  論文  参考訳（メタデータ） (2022-05-02T21:42:45Z)
• Lifelong Learning Metrics [63.8376359764052]
  DARPA Lifelong Learning Machines (L2M) プログラムは、人工知能(AI)システムの進歩を目指している。 本論文は、生涯学習シナリオを実行するエージェントのパフォーマンスの構築と特徴付けのためのフォーマリズムを概説する。
  論文  参考訳（メタデータ） (2022-01-20T16:29:14Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• A Survey on Machine Learning Techniques for Source Code Analysis [14.129976741300029]
  ソースコード解析に応用された機械学習の領域における現在の知識を要約することを目的としている。 そこで本研究では,2002年から2021年にかけて,広範囲にわたる文献検索を行い,初等研究364点を同定した。
  論文  参考訳（メタデータ） (2021-10-18T20:13:38Z)
• An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
  我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。 本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
  論文  参考訳（メタデータ） (2021-08-09T17:39:09Z)
• FeatureEnVi: Visual Analytics for Feature Engineering Using Stepwise Selection and Semi-Automatic Extraction Approaches [5.890700712095962]
  我々は,機能工学的プロセスを支援するビジュアル分析システムであるfeatureenviを提案する。 提案システムは,ユーザが最も重要な機能を選択し,元の機能を強力な代替品に転換し,異なる機能生成の組み合わせを試すのに役立つ。 FeatureEnViの有用性と適用性は、人気のある赤ワインの品質データセットと、シルエットからの車両認識に関する公開データを用いて、2つのユースケースで実証される。
  論文  参考訳（メタデータ） (2021-03-26T15:45:19Z)
• Characterizing and Detecting Mismatch in Machine-Learning-Enabled Systems [1.4695979686066065]
  機械学習システムの開発と展開は依然として課題だ。 本論文では,エンドツーエンドのML対応システム開発における知見とその意義について報告する。
  論文  参考訳（メタデータ） (2021-03-25T19:40:29Z)
• Applying Machine Learning in Self-Adaptive Systems: A Systematic Literature Review [15.953995937484176]
  現在、自己適応システムにおける機械学習の使用に関する体系的な概要はない。 我々は、従来のモニター・アナライズ・プラン・エクユートフィードバックループ(MAPE)に基づく自己適応システムに焦点を当てる。 研究の質問は、自己適応システムにおける機械学習の使用を動機づける問題、自己適応における学習の重要なエンジニアリング側面、オープンな課題に焦点を当てている。
  論文  参考訳（メタデータ） (2021-03-06T13:45:59Z)
• An Overview of Recommender Systems and Machine Learning in Feature Modeling and Configuration [55.67505546330206]
  レコメンダーシステムおよび機械学習技術の適用に関連する潜在的な新しい研究ラインの概要を説明します。 本論文では,レコメンダーシステムと機械学習の応用例を示し,今後の研究課題について考察する。
  論文  参考訳（メタデータ） (2021-02-12T17:21:36Z)
• A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
  現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。 本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
  論文  参考訳（メタデータ） (2020-01-05T11:33:31Z)

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。