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: 翻訳完了
• 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

• Aligning Academia with Industry: An Empirical Study of Industrial Needs and Academic Capabilities in AI-Driven Software Engineering [45.09204791294318]
  大規模言語モデル(LLM)の急速な進歩は、ソフトウェア工学(SE)を根本的に変えることである。 トップレベルのSE会場は、自動テストやプログラムの修理といった分野に持続的、あるいは新たな焦点を置き続けているが、これらの学術的進歩と実際の産業的ニーズとの整合性は依然として不明である。 本研究は,これらの重要かつ未解明の課題に学術的関心を振り返り,今後のSE研究を産業的インパクトに導くことを目的としている。
  論文  参考訳（メタデータ） (2025-12-17T07:29:18Z)
• Empowering Real-World: A Survey on the Technology, Practice, and Evaluation of LLM-driven Industry Agents [63.03252293761656]
  本稿では,大規模言語モデル(LLM)に基づく産業エージェントの技術,応用,評価手法を体系的にレビューする。 エージェント能力の進歩を支える3つの重要な技術柱として,記憶,計画,ツール利用について検討する。 本稿では,デジタル工学,科学的発見,具体的インテリジェンス,協調ビジネス実行,複雑なシステムシミュレーションといった実世界の領域における産業エージェントの応用の概要について述べる。
  論文  参考訳（メタデータ） (2025-10-20T12:46:55Z)
• FML-bench: A Benchmark for Automatic ML Research Agents Highlighting the Importance of Exploration Breadth [43.606494515048524]
  大規模言語モデル(LLM)は、自動機械学習研究エージェントへの関心が高まっている。 既存のベンチマークは、学術的な厳格さを無視しながら、エンジニアリングの側面を過度に強調する傾向がある。 FML-benchは、機械学習の自動研究エージェントを、多種多様な8つの基礎的な機械学習研究問題に対して評価するために設計されたベンチマークである。
  論文  参考訳（メタデータ） (2025-10-12T06:41:05Z)
• Retrieval-Augmented Generation in Industry: An Interview Study on Use Cases, Requirements, Challenges, and Evaluation [0.0]
  Retrieval-Augmented Generation (RAG)は、AIにおける急速に進化する分野である。 工業的文脈におけるその実践的応用に関する研究の欠如がある。 本研究では,企業におけるRAGの適用状況について検討した。
  論文  参考訳（メタデータ） (2025-08-11T09:40:54Z)
• 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)
• Why Autonomous Vehicles Are Not Ready Yet: A Multi-Disciplinary Review of Problems, Attempted Solutions, and Future Directions [43.389650174195914]
  本稿では, 自動化分野が直面する大きな課題を考察するために, 統合的・多分野的なアプローチを採用する。 レビューでは、現在の技術と研究者が考案した最も有望な解決策に関連する限界とリスクについて検討する。
  論文  参考訳（メタデータ） (2023-11-15T16:41:18Z)
• 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。