論文の概要: A Multivocal Literature Review on the Benefits and Limitations of Automated Machine Learning Tools

• arxiv url: http://arxiv.org/abs/2401.11366v1
• Date: Sun, 21 Jan 2024 01:39:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 16:57:33.082145
• Title: A Multivocal Literature Review on the Benefits and Limitations of Automated Machine Learning Tools
• Title（参考訳）: 自動機械学習ツールの利点と限界に関する多言語文献レビュー
• Authors: Kelly Azevedo, Luigi Quaranta, Fabio Calefato, Marcos Kalinowski
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.69672653683112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Context. Advancements in Machine Learning (ML) are revolutionizing every application domain, driving unprecedented transformations and fostering innovation. However, despite these advances, several organizations are experiencing friction in the adoption of ML-based technologies, mainly due to the shortage of ML professionals. In this context, Automated Machine Learning (AutoML) techniques have been presented as a promising solution to democratize ML adoption. Objective. We aim to provide an overview of the evidence on the benefits and limitations of using AutoML tools. Method. We conducted a multivocal literature review, which allowed us to identify 54 sources from the academic literature and 108 sources from the grey literature reporting on AutoML benefits and limitations. We extracted reported benefits and limitations from the papers and applied thematic analysis. Results. We identified 18 benefits and 25 limitations. Concerning the benefits, we highlight that AutoML tools can help streamline the core steps of ML workflows, namely data preparation, feature engineering, model construction, and hyperparameter tuning, with concrete benefits on model performance, efficiency, and scalability. In addition, AutoML empowers both novice and experienced data scientists, promoting ML accessibility. On the other hand, we highlight several limitations that may represent obstacles to the widespread adoption of AutoML. For instance, AutoML tools may introduce barriers to transparency and interoperability, exhibit limited flexibility for complex scenarios, and offer inconsistent coverage of the ML workflow. Conclusions. The effectiveness of AutoML in facilitating the adoption of machine learning by users may vary depending on the tool and the context in which it is used. As of today, AutoML tools are used to increase human expertise rather than replace it, and, as such, they require skilled users.
• Abstract（参考訳）: コンテキスト。 機械学習(ML)の進歩は、すべてのアプリケーションドメインに革命をもたらし、前例のない変革を推進し、イノベーションを促進する。 しかし、これらの進歩にもかかわらず、いくつかの組織はMLベースの技術の採用に摩擦を経験している。 この文脈で、Automated Machine Learning(AutoML)技術は、MLの採用を民主化するための有望なソリューションとして提示されている。 目的。 私たちは、automlツールの使用のメリットと限界に関するエビデンスの概要を提供することを目的としています。 方法。 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。 論文から報告された利益と限界を抽出し,応用テーマ分析を行った。 結果だ 18のメリットと25の制限を特定しました。 メリットに関しては、automlツールがデータ準備、機能エンジニアリング、モデル構築、ハイパーパラメータチューニングといったmlワークフローのコアステップの合理化に役立ち、モデルパフォーマンス、効率、スケーラビリティに具体的なメリットがある点を強調します。 さらに、AutoMLは初心者と経験豊富なデータサイエンティストの両方に権限を与え、MLアクセシビリティを促進する。 一方、AutoMLの普及の障害となるいくつかの制限を強調します。 例えば、automlツールは透明性と相互運用性の障壁をもたらし、複雑なシナリオに対する柔軟性が制限され、mlワークフローの一貫性のないカバレッジを提供する。 結論だ ユーザによる機械学習の導入を促進するautomlの有効性は、ツールや使用するコンテキストによって異なる可能性がある。 現在、AutoMLツールは、置き換えるのではなく、人間の専門知識を高めるために使われており、熟練したユーザーを必要とする。

関連論文リスト

• UniAutoML: A Human-Centered Framework for Unified Discriminative and Generative AutoML with Large Language Models [5.725785427377439]
  我々は、人間中心のAutoMLフレームワークであるUniAutoMLを紹介し、AutoMLを識別的タスクと生成的タスクの両方に統一する。 UniAutoMLの人間中心の設計は、自然言語の対話を容易にする対話型ユーザインタフェース(CUI)を革新的に特徴付けている。 この設計により、AutoMLトレーニングプロセス全体の透明性とユーザコントロールが向上し、ユーザがトレーニング対象のモデルをシームレスに分解あるいは修正できるようになる。
  論文  参考訳（メタデータ） (2024-10-09T17:33:15Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• AutoML in The Wild: Obstacles, Workarounds, and Expectations [37.813441975457735]
  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。
  論文  参考訳（メタデータ） (2023-02-21T17:06:46Z)
• An Empirical Study on the Usage of Automated Machine Learning Tools [10.901346577426542]
  自動機械学習(AutoML)ツールの人気は、ここ数年で高まっている。 最近の研究は、AutoMLツールを使用した実践者の経験を質的研究した。 我々は,ML実践者がプロジェクトにおいてAutoMLツールをどのように利用するかを理解するための実証的研究を行った。
  論文  参考訳（メタデータ） (2022-08-28T02:01:58Z)
• Practical Machine Learning Safety: A Survey and Primer [81.73857913779534]
  自動運転車のような安全クリティカルなアプリケーションにおける機械学習アルゴリズムのオープンワールド展開は、さまざまなML脆弱性に対処する必要がある。 一般化エラーを低減し、ドメイン適応を実現し、外乱例や敵攻撃を検出するための新しいモデルと訓練技術。 我々の組織は、MLアルゴリズムの信頼性を異なる側面から向上するために、最先端のML技術を安全戦略にマッピングする。
  論文  参考訳（メタデータ） (2021-06-09T05:56:42Z)

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。