論文の概要: A General Recipe for Automated Machine Learning in Practice

• arxiv url: http://arxiv.org/abs/2308.15647v1
• Date: Tue, 29 Aug 2023 21:49:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-31 15:24:20.406890
• Title: A General Recipe for Automated Machine Learning in Practice
• Title（参考訳）: 自動化機械学習の一般的なレシピ
• Authors: Hernan Ceferino Vazquez
• Abstract要約: 本稿では,一般的なAutoMLシステム構築のための参照フレームを提案する。 私たちの主なアイデアは、基本的な概念を抽出して、それらを単一の設計でサポートすることです。 本稿では,AutoMLの今後の研究への応用に関するオープンな問題について論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated Machine Learning (AutoML) is an area of research that focuses on developing methods to generate machine learning models automatically. The idea of being able to build machine learning models with very little human intervention represents a great opportunity for the practice of applied machine learning. However, there is very little information on how to design an AutoML system in practice. Most of the research focuses on the problems facing optimization algorithms and leaves out the details of how that would be done in practice. In this paper, we propose a frame of reference for building general AutoML systems. Through a narrative review of the main approaches in the area, our main idea is to distill the fundamental concepts in order to support them in a single design. Finally, we discuss some open problems related to the application of AutoML for future research.
• Abstract（参考訳）: Automated Machine Learning (AutoML)は、機械学習モデルの自動生成方法の開発に焦点を当てた研究分野である。 人間の介入がほとんどなく、機械学習モデルを構築できるという考えは、応用機械学習の実践にとって大きな機会である。 しかし、実際にAutoMLシステムを設計する方法については、ほとんど情報がない。 研究の大部分は最適化アルゴリズムに直面する問題に焦点を合わせ、それが実際にどのように行われるかの詳細を記している。 本稿では,一般的なAutoMLシステム構築のための参照フレームを提案する。 この分野の主要なアプローチに関するナラティブレビューを通じて、私たちの主なアイデアは、それらを単一のデザインでサポートするために基本的な概念を割くことです。 最後に,AutoMLの今後の研究への応用に関するオープンな問題について論じる。

関連論文リスト

• Mastering AI: Big Data, Deep Learning, and the Evolution of Large Language Models -- AutoML from Basics to State-of-the-Art Techniques [17.62426370778165]
  論文は、初心者と経験豊富な実践者の両方を支援するために構築されており、人気のあるAutoMLツールに関する詳細な議論がある。 また、ニューラルネットワーク検索(NAS)やディープラーニングにおけるAutoMLのアプリケーションといった、新たなトピックにも対処している。
  論文  参考訳（メタデータ） (2024-10-12T17:11:39Z)
• 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)
• 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)
• 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 Graph Machine Learning: Approaches, Libraries, Benchmarks and Directions [58.220137936626315]
  本稿では,グラフ機械学習の自動手法について論じる。 当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。 また、統一的で再現性があり、効率的な評価をサポートする調整されたベンチマークについて述べる。
  論文  参考訳（メタデータ） (2022-01-04T18:31:31Z)
• Towards Green Automated Machine Learning: Status Quo and Future Directions [71.86820260846369]
  AutoMLは高いリソース消費で批判されている。 本稿では,AutoMLプロセス全体を環境に優しいものにするためのパラダイムであるGreen AutoMLを提案する。
  論文  参考訳（メタデータ） (2021-11-10T18:57:27Z)
• Automated Machine Learning on Graphs: A Survey [81.21692888288658]
  本稿では,グラフ上の自動機械学習の体系的かつ包括的レビューを行う。 グラフ機械学習のためのハイパーパラメータ最適化(HPO)とニューラルアーキテクチャ探索(NAS)に注目した。 最後に、自動化グラフ機械学習の今後の研究方向に関する洞察を共有します。
  論文  参考訳（メタデータ） (2021-03-01T04:20:33Z)
• 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)
• Automated Machine Learning -- a brief review at the end of the early years [14.211962590104111]
  Automated Machine Learning (AutoML)は、機械学習システムの設計のすべての段階を自動化、拡張することを目的とした機械学習のサブフィールドである。 教師あり学習の文脈では、AutoMLは特徴抽出、事前処理、モデル設計、ポスト処理に関係している。
  論文  参考訳（メタデータ） (2020-08-19T15:48:49Z)
• Automated Machine Learning: From Principles to Practices [40.57162255913511]
  AutoMLは、与えられたタスクに対して、データ駆動方式で満足いくML構成を生成することを目的としている。 まずはAutoMLの正式な定義から始め、二段階学習の目的を含むその原則を導入します。 MLパイプラインの設定、ワンショットのニューラルアーキテクチャサーチ、基礎モデルとの統合など、模範的なアプリケーションによる原則とプラクティスについて説明する。
  論文  参考訳（メタデータ） (2018-10-31T14:35:38Z)

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。