論文の概要: Benchmarking Automated Machine Learning Methods for Price Forecasting Applications

• arxiv url: http://arxiv.org/abs/2304.14735v1
• Date: Fri, 28 Apr 2023 10:27:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-01 14:49:00.611950
• Title: Benchmarking Automated Machine Learning Methods for Price Forecasting Applications
• Title（参考訳）: 価格予測アプリケーションのための自動機械学習手法のベンチマーク
• Authors: Horst St\"uhler, Marc-Andr\'e Z\"oller, Dennis Klau, Alexandre Beiderwellen-Bedrikow, Christian Tutschku
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 58.720142291102135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Price forecasting for used construction equipment is a challenging task due to spatial and temporal price fluctuations. It is thus of high interest to automate the forecasting process based on current market data. Even though applying machine learning (ML) to these data represents a promising approach to predict the residual value of certain tools, it is hard to implement for small and medium-sized enterprises due to their insufficient ML expertise. To this end, we demonstrate the possibility of substituting manually created ML pipelines with automated machine learning (AutoML) solutions, which automatically generate the underlying pipelines. We combine AutoML methods with the domain knowledge of the companies. Based on the CRISP-DM process, we split the manual ML pipeline into a machine learning and non-machine learning part. To take all complex industrial requirements into account and to demonstrate the applicability of our new approach, we designed a novel metric named method evaluation score, which incorporates the most important technical and non-technical metrics for quality and usability. Based on this metric, we show in a case study for the industrial use case of price forecasting, that domain knowledge combined with AutoML can weaken the dependence on ML experts for innovative small and medium-sized enterprises which are interested in conducting such solutions.
• Abstract（参考訳）: 使用済み建設設備の価格予測は空間的・時間的価格変動による課題である。 そのため、現在の市場データに基づく予測プロセスの自動化が注目されている。 これらのデータに機械学習(ML)を適用することは、特定のツールの残高を予測するための有望なアプローチであるが、MLの専門知識が不足しているため、中小企業では実装が難しい。 そこで本研究では、自動機械学習(automl)ソリューションを用いて、手動で作成したmlパイプラインを自動生成する可能性を実証する。 私たちはAutoMLメソッドと企業のドメイン知識を組み合わせています。 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。 複雑な産業要件をすべて考慮し,新たなアプローチの適用性を示すために,我々は,品質とユーザビリティに最も重要な技術的および非技術的指標を組み込んだ,新しい評価尺度であるmethod evaluation scoreを設計した。 この指標に基づき、価格予測の産業利用事例として、AutoMLと組み合わせたドメイン知識が、そのようなソリューションの実施に関心のある革新的中小企業におけるMLエキスパートへの依存を弱める可能性があることを示す。

関連論文リスト

• Creation and Evaluation of a Food Product Image Dataset for Product Property Extraction [39.58317527488534]
  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） (2024-11-15T21:29:05Z)
• 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)
• Machine Learning Meets Advanced Robotic Manipulation [48.6221343014126]
  本論文は、最先端技術と、実世界の操作タスクに適用された機械学習手法の最近の動向についてレビューする。 論文の残りの部分は、産業、医療、農業、宇宙、軍事、捜索救助など、さまざまな分野におけるML応用に費やされている。
  論文  参考訳（メタデータ） (2023-09-22T01:06:32Z)
• Automated Machine Learning in the smart construction era:Significance and accessibility for industrial classification and regression tasks [6.206133097433925]
  本稿では,自動機械学習(AutoML)技術の建築産業への適用について検討する。 AutoMLを利用することで、建設専門家はソフトウェアを使用して産業データをプロジェクト管理を支援するMLモデルに処理できる。
  論文  参考訳（メタデータ） (2023-08-03T03:17:22Z)
• Automated Machine Learning for Remaining Useful Life Predictions [15.02669353424867]
  本稿では、自動RUL予測のためのAutoML駆動のエンドツーエンドアプローチであるAutoRULを紹介する。 我々はAutoMLが手作りのデータ駆動型RUL予測に代わる実行可能な代替手段であることを示す。
  論文  参考訳（メタデータ） (2023-06-21T12:15:57Z)
• 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)
• Automated machine learning: AI-driven decision making in business analytics [0.0]
  本稿では、ビジネス分析におけるアプリケーションにおけるAutoMLの可能性について分析する。 H2O AutoMLフレームワークは、手動でチューニングされたMLモデルに対してベンチマークされた。 高速で、使いやすく、信頼性の高い結果を提供する。
  論文  参考訳（メタデータ） (2022-05-21T08:35:02Z)
• 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)
• 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。