論文の概要: AutoEn: An AutoML method based on ensembles of predefined Machine
Learning pipelines for supervised Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2303.10732v1
- Date: Sun, 19 Mar 2023 18:37:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 17:25:52.374725
- Title: AutoEn: An AutoML method based on ensembles of predefined Machine
Learning pipelines for supervised Traffic Forecasting
- Title（参考訳）: AutoEn: 教師付きトラフィック予測のための事前定義された機械学習パイプラインのアンサンブルに基づくAutoMLメソッド
- Authors: Juan S. Angarita-Zapata, Antonio D. Masegosa, Isaac Triguero
- Abstract要約: 交通予測(TF)は、将来の交通状況を予測することで交通渋滞を緩和する能力により、関連性が高まっている。
TFは、モデル選択問題(MSP)として知られる機械学習パラダイムに大きな課題を提起する。
事前に定義されたMLパイプラインの集合からマルチクラス化アンサンブルを自動生成する,シンプルで効率的な手法であるAutoEnを紹介する。
- 参考スコア（独自算出の注目度）: 1.6242924916178283
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Intelligent Transportation Systems are producing tons of hardly manageable
traffic data, which motivates the use of Machine Learning (ML) for data-driven
applications, such as Traffic Forecasting (TF). TF is gaining relevance due to
its ability to mitigate traffic congestion by forecasting future traffic
states. However, TF poses one big challenge to the ML paradigm, known as the
Model Selection Problem (MSP): deciding the most suitable combination of data
preprocessing techniques and ML method for traffic data collected under
different transportation circumstances. In this context, Automated Machine
Learning (AutoML), the automation of the ML workflow from data preprocessing to
model validation, arises as a promising strategy to deal with the MSP in
problem domains wherein expert ML knowledge is not always an available or
affordable asset, such as TF. Various AutoML frameworks have been used to
approach the MSP in TF. Most are based on online optimisation processes to
search for the best-performing pipeline on a given dataset. This online
optimisation could be complemented with meta-learning to warm-start the search
phase and/or the construction of ensembles using pipelines derived from the
optimisation process. However, given the complexity of the search space and the
high computational cost of tuning-evaluating pipelines generated, online
optimisation is only beneficial when there is a long time to obtain the final
model. Thus, we introduce AutoEn, which is a simple and efficient method for
automatically generating multi-classifier ensembles from a predefined set of ML
pipelines. We compare AutoEn against Auto-WEKA and Auto-sklearn, two AutoML
methods commonly used in TF. Experimental results demonstrate that AutoEn can
lead to better or more competitive results in the general-purpose domain and in
TF.
- Abstract（参考訳）: Intelligent Transportation Systemsは、管理が難しいトラフィックデータを大量に生成しており、Traffic Forecasting (TF)のようなデータ駆動アプリケーションに機械学習(ML)を使用する動機となっている。
TFは、将来の交通状況を予測することにより、交通渋滞を緩和する能力により、関連性を高めている。
しかし、TFは、データ前処理技術と異なる交通状況下で収集されたトラフィックデータに対するMLメソッドの最も適した組み合わせを決定する、モデル選択問題(MSP)と呼ばれるMLパラダイムに大きな課題を提起する。
この文脈では、データ前処理からモデルバリデーションまでのMLワークフローの自動化であるAutomated Machine Learning (AutoML)が、専門家のML知識がTFのような常に利用可能なあるいは安価な資産であるとは限らない問題領域において、MSPを扱うための有望な戦略として現れます。
TFでMSPにアプローチするために、さまざまなAutoMLフレームワークが使用されている。
ほとんどが、特定のデータセット上で最高のパフォーマンスのパイプラインを探すためのオンライン最適化プロセスに基づいている。
このオンライン最適化は、検索フェーズをウォームスタートするメタラーニングや、最適化プロセスから派生したパイプラインを使用したアンサンブルの構築で補完することができる。
しかし、探索空間の複雑さとパイプラインのチューニング評価の計算コストの高さを考えると、オンライン最適化は最終的なモデルを得るのに長い時間がかかる場合にのみ有用である。
そこで本稿では,事前に定義されたMLパイプラインの集合から複数分類器のアンサンブルを自動的に生成する,シンプルで効率的なAutoEnを紹介する。
TFでよく使われているAuto-WEKAとAuto-Sklearnを比較した。
実験の結果,AutoEnは汎用ドメインやTFにおいて,より優れた,あるいはより競争的な結果をもたらすことが示された。
関連論文リスト
- Matchmaker: Self-Improving Large Language Model Programs for Schema Matching [60.23571456538149]
本稿では,スキーママッチングのための合成言語モデルプログラムを提案する。
Matchmakerは、ラベル付きデモを必要とせずに、ゼロショットで自己改善する。
実証的に、Matchmakerが以前のMLベースのアプローチより優れている実世界の医療スキーママッチングベンチマークを実証する。
論文 参考訳（メタデータ） (2024-10-31T16:34:03Z) - SELA: Tree-Search Enhanced LLM Agents for Automated Machine Learning [14.702694298483445]
Tree-Search Enhanced LLM Agents (SELA)は、Monte Carlo Tree Search (MCTS)を利用してAutoMLプロセスを最適化するエージェントベースのシステムである。
SELAはパイプライン構成をツリーとして表現し、エージェントが知的かつ反復的に戦略を洗練させることを可能にする。
20の機械学習データセットにわたる広範囲な評価において、従来のAutoML手法とエージェントベースのAutoML手法のパフォーマンスを比較した。
論文 参考訳（メタデータ） (2024-10-22T17:56:08Z) - AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。
近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。
本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
論文 参考訳（メタデータ） (2024-10-03T20:01:09Z) - AutoFT: Learning an Objective for Robust Fine-Tuning [60.641186718253735]
ファンデーションモデルは、微調整によって下流タスクに適応できるリッチな表現をエンコードする。
手作り正則化技術を用いた頑健な微調整への最近のアプローチ
我々は、堅牢な微調整のためのデータ駆動型アプローチであるAutoFTを提案する。
論文 参考訳（メタデータ） (2024-01-18T18:58:49Z) - AutoML-GPT: Large Language Model for AutoML [5.9145212342776805]
包括的なツールとライブラリを統合するAutoML-GPTというフレームワークを確立しました。
会話インターフェースを通じて、ユーザーは要求、制約、評価メトリクスを指定できる。
我々は、AutoML-GPTが機械学習タスクに必要な時間と労力を大幅に削減することを示した。
論文 参考訳（メタデータ） (2023-09-03T09:39:49Z) - 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) - eTOP: Early Termination of Pipelines for Faster Training of AutoML
Systems [12.933957727351666]
適切なAI/MLモデルを見つけるのは、複雑でコストのかかるプロセスです。
我々は,任意のAutoMLシステム上で動作するeTOPフレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-17T20:22:30Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳（メタデータ） (2021-06-14T11:42:46Z) - Auto-PyTorch Tabular: Multi-Fidelity MetaLearning for Efficient and
Robust AutoDL [53.40030379661183]
Auto-PyTorchは、完全に自動化されたディープラーニング(AutoDL)を実現するフレームワーク
ディープニューラルネットワーク(DNN)のウォームスタートとアンサンブルのためのマルチフィデリティ最適化とポートフォリオ構築を組み合わせる。
Auto-PyTorchは、いくつかの最先端の競合製品よりもパフォーマンスが良いことを示す。
論文 参考訳（メタデータ） (2020-06-24T15:15:17Z) - Evolution of Scikit-Learn Pipelines with Dynamic Structured Grammatical
Evolution [1.5224436211478214]
本稿では、動的構造文法進化(DSGE)をScikit-Learn分類パイプラインの進化に適応させる新しい文法ベースのフレームワークについて述べる。
実験結果は、AutoML-DSGEを他の文法ベースのAutoMLフレームワークであるResilient ClassificationPipeline Evolution (RECIPE)と比較することを含む。
論文 参考訳（メタデータ） (2020-04-01T09:31:34Z)
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。