論文の概要: AutoML in The Wild: Obstacles, Workarounds, and Expectations
- arxiv url: http://arxiv.org/abs/2302.10827v1
- Date: Tue, 21 Feb 2023 17:06:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-22 14:17:07.978205
- Title: AutoML in The Wild: Obstacles, Workarounds, and Expectations
- Title(参考訳): AutoML in the Wild: 障害物、回避策、期待
- Authors: Yuan Sun, Qiurong Song, Xinning Gui, Fenglong Ma, Ting Wang
- Abstract要約: 本研究は,現実の実践においてユーザが遭遇するAutoMLの限界を理解することに焦点を当てる。
その結果,カスタマイズ性,透明性,プライバシーから生じる3つの大きな課題を克服するために,ユーザエージェンシーを積極的に実施していることが判明した。
- 参考スコア(独自算出の注目度): 34.72563734203905
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Automated machine learning (AutoML) is envisioned to make ML techniques
accessible to ordinary users. Recent work has investigated the role of humans
in enhancing AutoML functionality throughout a standard ML workflow. However,
it is also critical to understand how users adopt existing AutoML solutions in
complex, real-world settings from a holistic perspective. To fill this gap,
this study conducted semi-structured interviews of AutoML users (N = 19)
focusing on understanding (1) the limitations of AutoML encountered by users in
their real-world practices, (2) the strategies users adopt to cope with such
limitations, and (3) how the limitations and workarounds impact their use of
AutoML. Our findings reveal that users actively exercise user agency to
overcome three major challenges arising from customizability, transparency, and
privacy. Furthermore, users make cautious decisions about whether and how to
apply AutoML on a case-by-case basis. Finally, we derive design implications
for developing future AutoML solutions.
- Abstract(参考訳): Automated Machine Learning (AutoML) は、ML技術が一般ユーザでも利用できるようにするためのものだ。
最近の研究は、標準のMLワークフローを通してAutoML機能を強化する上での人間の役割を調査している。
しかし、ユーザーが既存のAutoMLソリューションを、総合的な観点から、複雑な現実世界の設定でどのように採用するかを理解することも重要だ。
このギャップを埋めるために,本研究では,(1)現実の実践においてユーザが直面するAutoMLの限界,(2)ユーザがそのような制限に対処するために採用する戦略,(3)AutoMLの使用にどのような制限と回避が及ぼすかを理解することに焦点を当てた,AutoMLユーザ(N = 19)の半構造化インタビューを行った。
その結果,カスタマイズ性,透明性,プライバシーから生じる3つの大きな課題を克服するために,ユーザエージェンシーを積極的に実施していることが判明した。
さらに、AutoMLをケースバイケースで適用する方法についても慎重に判断する。
最後に、将来のAutoMLソリューションを開発するための設計上の意味を導き出す。
関連論文リスト
- A Multivocal Literature Review on the Benefits and Limitations of
Automated Machine Learning Tools [9.69672653683112]
我々は多言語文献レビューを行い、学術文献から54の資料と、AutoMLの利点と限界について報告した灰色文献から108の資料を同定した。
メリットについては、AutoMLツールがMLの中核ステップの合理化に役立つ点を強調します。
AutoMLの普及の障害となるいくつかの制限を強調します。
論文 参考訳(メタデータ) (2024-01-21T01:39:39Z) - LanguageMPC: Large Language Models as Decision Makers for Autonomous
Driving [87.1164964709168]
この作業では、複雑な自律運転シナリオの意思決定コンポーネントとして、Large Language Models(LLM)を採用している。
大規模実験により,提案手法は単車載タスクのベースラインアプローチを一貫して超えるだけでなく,複数車載コーディネートにおいても複雑な運転動作の処理にも有効であることが示された。
論文 参考訳(メタデータ) (2023-10-04T17:59:49Z) - Automatically Correcting Large Language Models: Surveying the landscape
of diverse self-correction strategies [104.32199881187607]
大規模言語モデル(LLM)は、幅広いNLPタスクで顕著な性能を示した。
これらの欠陥を正すための有望なアプローチは自己補正であり、LLM自体が自身の出力で問題を修正するために誘導される。
本稿では,この新技術について概観する。
論文 参考訳(メタデータ) (2023-08-06T18:38:52Z) - 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) - Can Fairness be Automated? Guidelines and Opportunities for
Fairness-aware AutoML [52.86328317233883]
本報告では、公平性に関連する害が発生する様々な方法の概要を概説する。
この方向に進むためには、いくつかのオープンな技術的課題を強調します。
論文 参考訳(メタデータ) (2023-03-15T09:40:08Z) - 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) - XAutoML: A Visual Analytics Tool for Understanding and Validating
Automated Machine Learning [5.633209323925663]
XAutoMLは、AutoMLによって構築された任意のAutoML最適化手順とMLパイプラインを説明するための、インタラクティブなビジュアル分析ツールである。
XAutoMLは、インタラクティブな視覚化と、説明可能な人工知能(XAI)の確立したテクニックを組み合わせることで、完全なAutoML手順を透過的かつ説明可能なものにする。
論文 参考訳(メタデータ) (2022-02-24T08:18:25Z) - VolcanoML: Speeding up End-to-End AutoML via Scalable Search Space
Decomposition [57.06900573003609]
VolcanoMLは、大規模なAutoML検索スペースを小さなものに分解するフレームワークである。
最新のデータベースシステムでサポートされているような、Volcanoスタイルの実行モデルをサポートしている。
評価の結果,VolcanoMLは,AutoMLにおける検索空間分解の表現性を向上するだけでなく,分解戦略の実際の発見につながることが示された。
論文 参考訳(メタデータ) (2021-07-19T13:23:57Z) - Interpret-able feedback for AutoML systems [5.5524559605452595]
自動機械学習(AutoML)システムは、非ML専門家のための機械学習(ML)モデルのトレーニングを可能にすることを目的としている。
これらのシステムの欠点は、高い精度でモデルの生成に失敗した場合、モデルを改善するためのパスがないことである。
AutoML用の解釈可能なデータフィードバックソリューションを紹介します。
論文 参考訳(メタデータ) (2021-02-22T18:54:26Z) - Whither AutoML? Understanding the Role of Automation in Machine Learning
Workflows [10.309305727686326]
機械学習をより広くアクセス可能にする取り組みは、機械学習のトレーニングとデプロイのプロセスを自動化することを目的としたAuto-MLツールの急速な増加をもたらしました。
今日、Auto-MLツールが実際にどのように使われているかを理解するために、初心者ホビーストからAuto-MLツールを使用する業界研究者まで、参加者と質的研究を行った。
私たちは、既存のツールのメリットと欠陥、およびMLにおける人間と自動化の役割に関する洞察を提示します。
論文 参考訳(メタデータ) (2021-01-13T02:12:46Z)
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。