論文の概要: The Technological Emergence of AutoML: A Survey of Performant Software and Applications in the Context of Industry

• arxiv url: http://arxiv.org/abs/2211.04148v1
• Date: Tue, 8 Nov 2022 10:42:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 15:25:12.861779
• Title: The Technological Emergence of AutoML: A Survey of Performant Software and Applications in the Context of Industry
• Title（参考訳）: AutoMLの技術創発:業界における高性能ソフトウェアと応用に関する調査
• Authors: Alexander Scriven, David Jacob Kedziora, Katarzyna Musial, Bogdan Gabrys
• Abstract要約: Automated/Autonomous Machine Learning (AutoML/AutonoML)は比較的若い分野である。 このレビューは、このトピックに関する知識に2つの主要な貢献をしている。 オープンソースと商用両方の既存のAutoMLツールについて、最新かつ包括的な調査を提供する。
• 参考スコア（独自算出の注目度）: 72.10607978091492
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With most technical fields, there exists a delay between fundamental academic research and practical industrial uptake. Whilst some sciences have robust and well-established processes for commercialisation, such as the pharmaceutical practice of regimented drug trials, other fields face transitory periods in which fundamental academic advancements diffuse gradually into the space of commerce and industry. For the still relatively young field of Automated/Autonomous Machine Learning (AutoML/AutonoML), that transitory period is under way, spurred on by a burgeoning interest from broader society. Yet, to date, little research has been undertaken to assess the current state of this dissemination and its uptake. Thus, this review makes two primary contributions to knowledge around this topic. Firstly, it provides the most up-to-date and comprehensive survey of existing AutoML tools, both open-source and commercial. Secondly, it motivates and outlines a framework for assessing whether an AutoML solution designed for real-world application is 'performant'; this framework extends beyond the limitations of typical academic criteria, considering a variety of stakeholder needs and the human-computer interactions required to service them. Thus, additionally supported by an extensive assessment and comparison of academic and commercial case-studies, this review evaluates mainstream engagement with AutoML in the early 2020s, identifying obstacles and opportunities for accelerating future uptake.
• Abstract（参考訳）: ほとんどの技術分野において、基礎研究と実践的産業集積の間には遅れがある。 一部の科学は、連隊による薬物裁判の薬学的な実践など、商業化のための堅牢で確立されたプロセスを持っているが、他の分野は、基本的な学術的な進歩が徐々に商業と産業の領域に拡散する過渡期に直面している。 自動/自動機械学習(automl/autonomous machine learning, automl/autonoml)の比較的若い分野では、その移行期間が進行中である。 しかし、現在ではこの普及状況と普及状況を評価する研究はほとんど行われていない。 したがって、このレビューは、このトピックに関する知識に2つの主要な貢献をしている。 まず、オープンソースと商用の両方の既存のAutoMLツールについて、最新かつ包括的な調査を提供する。 第2に,実世界のアプリケーション用に設計されたautomlソリューションが"ペルフォーマント"であるかどうかを評価するためのフレームワークを動機付け,概説する。 したがって、学術的および商業的なケーススタディの広範な評価と比較によって、2020年代前半におけるautomlのメインストリームの関与を評価し、将来の普及を加速するための障害と機会を特定する。

関連論文リスト

• Surveying the MLLM Landscape: A Meta-Review of Current Surveys [17.372501468675303]
  MLLM(Multimodal Large Language Models)は、人工知能分野における変革の原動力となっている。 本研究の目的は,MLLMのベンチマークテストと評価方法の体系的レビューを提供することである。
  論文  参考訳（メタデータ） (2024-09-17T14:35:38Z)
• RelevAI-Reviewer: A Benchmark on AI Reviewers for Survey Paper Relevance [0.8089605035945486]
  本稿では,調査論文レビューの課題を分類問題として概念化するシステムであるRelevAI-Reviewerを提案する。 25,164のインスタンスからなる新しいデータセットを導入する。各インスタンスには1つのプロンプトと4つの候補論文があり、それぞれがプロンプトに関連している。 我々は,各論文の関連性を判断し,最も関連性の高い論文を識別できる機械学習(ML)モデルを開発した。
  論文  参考訳（メタデータ） (2024-06-13T06:42:32Z)
• 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)
• A Survey on Large Language Model based Autonomous Agents [105.2509166861984]
  大規模言語モデル(LLM)は、人間レベルの知性を達成する上で、顕著な可能性を示している。 本稿では,LLMに基づく自律エージェントの分野を総合的な観点から体系的に検討する。 本稿では、社会科学、自然科学、工学の分野におけるLLMベースの自律エージェントの多様な応用について概観する。
  論文  参考訳（メタデータ） (2023-08-22T13:30:37Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• Interactive Machine Learning: A State of the Art Review [0.0]
  対話型機械学習(iML)の現状を包括的に分析する。 敵のブラックボックス攻撃と対応するiMLベースの防衛システム、探索機械学習、リソース制約学習、およびiMLパフォーマンス評価について研究する。
  論文  参考訳（メタデータ） (2022-07-13T13:43:16Z)
• The Roles and Modes of Human Interactions with Automated Machine Learning Systems [7.670270099306412]
  自動機械学習(AutoML)システムは、洗練とパフォーマンスの両面で進歩を続けている。 これらのフレームワーク内でのヒューマン・コンピュータ・インタラクション(HCI)の方法と理由を理解することが重要である。 このレビューは、現在のAutoMLシステムと将来のAutoMLシステムの両方におけるヒューマンインタラクションの役割とモードの促進を目的とした、重要な研究方向を特定するのに役立つ。
  論文  参考訳（メタデータ） (2022-05-09T09:28:43Z)
• Automated Machine Learning, Bounded Rationality, and Rational Metareasoning [62.997667081978825]
  有界合理性の観点から、自動機械学習(AutoML)と関連する問題を考察する。 リソース境界の下でアクションを取るには、エージェントがこれらのリソースを最適な方法で利用する方法を反映する必要がある。
  論文  参考訳（メタデータ） (2021-09-10T09:10:20Z)
• Artificial Intelligence for IT Operations (AIOPS) Workshop White Paper [50.25428141435537]
  AIOps(Artificial Intelligence for IT Operations)は、マシンラーニング、ビッグデータ、ストリーミング分析、IT運用管理の交差点で発生する、新たな学際分野である。 AIOPSワークショップの主な目的は、アカデミアと産業界の両方の研究者が集まり、この分野での経験、成果、作業について発表することです。
  論文  参考訳（メタデータ） (2021-01-15T10:43:10Z)
• 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)

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。