論文の概要: The Potential of AutoML for Recommender Systems

• arxiv url: http://arxiv.org/abs/2402.04453v1
• Date: Tue, 6 Feb 2024 22:42:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-08 17:30:31.272906
• Title: The Potential of AutoML for Recommender Systems
• Title（参考訳）: リコメンダシステムにおけるAutoMLの可能性
• Authors: Tobias Vente, Joeran Beel
• Abstract要約: 我々は15のライブラリから60のAutoML、AutoRecSys、ML、RecSysの予測性能を比較した。 私たちは、AutoMLとAutoRecSysライブラリが14のデータセットのうち6つでベストに動作していることに気付いた。 シングルベストのライブラリはAutoRecSysライブラリのAuto-Surpriseで、5つのデータセットで最高のパフォーマンスを発揮した。
• 参考スコア（独自算出の注目度）: 0.135975510645475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated Machine Learning (AutoML) has greatly advanced applications of Machine Learning (ML) including model compression, machine translation, and computer vision. Recommender Systems (RecSys) can be seen as an application of ML. Yet, AutoML has found little attention in the RecSys community; nor has RecSys found notable attention in the AutoML community. Only few and relatively simple Automated Recommender Systems (AutoRecSys) libraries exist that adopt AutoML techniques. However, these libraries are based on student projects and do not offer the features and thorough development of AutoML libraries. We set out to determine how AutoML libraries perform in the scenario of an inexperienced user who wants to implement a recommender system. We compared the predictive performance of 60 AutoML, AutoRecSys, ML, and RecSys algorithms from 15 libraries, including a mean predictor baseline, on 14 explicit feedback RecSys datasets. To simulate the perspective of an inexperienced user, the algorithms were evaluated with default hyperparameters. We found that AutoML and AutoRecSys libraries performed best. AutoML libraries performed best for six of the 14 datasets (43%), but it was not always the same AutoML library performing best. The single-best library was the AutoRecSys library Auto-Surprise, which performed best on five datasets (36%). On three datasets (21%), AutoML libraries performed poorly, and RecSys libraries with default parameters performed best. Although, while obtaining 50% of all placements in the top five per dataset, RecSys algorithms fall behind AutoML on average. ML algorithms generally performed the worst.
• Abstract（参考訳）: Automated Machine Learning (AutoML)は、モデル圧縮、機械翻訳、コンピュータビジョンを含む機械学習(ML)の非常に高度な応用である。 Recommender Systems (RecSys) はMLの応用と見なすことができる。 しかし、AutoMLはRecSysコミュニティではほとんど注目を集めていない。 AutoML技術を採用するのは、比較的単純なAutomated Recommender Systems(AutoRecSys)ライブラリのみである。 しかし、これらのライブラリは学生プロジェクトに基づいており、automlライブラリの機能や完全な開発を提供していない。 私たちは、推奨システムを実装したい経験の浅いユーザのシナリオでAutoMLライブラリがどのように機能するかを判断することにしました。 我々は、平均予測基準を含む15のライブラリの60のAutoML、AutoRecSys、ML、RecSysアルゴリズムの予測性能を14の明示的なフィードバックRecSysデータセットで比較した。 経験の浅いユーザの視点をシミュレートするために,アルゴリズムをデフォルトのハイパーパラメータで評価した。 私たちはAutoMLとAutoRecSysライブラリが最善であることがわかった。 AutoMLライブラリは14のデータセットのうち6つ(43%)で最高に動作したが、必ずしも同じAutoMLライブラリが最高に動作していたわけではない。 シングルベストのライブラリはAutoRecSysライブラリのAuto-Surpriseで、5つのデータセット(36%)で最高のパフォーマンスを示している。 3つのデータセット(21%)では、AutoMLライブラリはパフォーマンスが悪く、デフォルトパラメータを持つRecSysライブラリがベストだった。 しかし、データセット毎に上位5つの配置の50%を取得すると、recsysアルゴリズムは平均してautomlに遅れる。 MLアルゴリズムは一般的に最悪だった。

関連論文リスト

• 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)
• MLLM-DataEngine: An Iterative Refinement Approach for MLLM [62.30753425449056]
  本稿では,データ生成,モデルトレーニング,評価を橋渡しする新しいクローズドループシステムを提案する。 各ループ内で、MLLM-DataEngineはまず評価結果に基づいてモデルの弱点を分析する。 ターゲットとして,異なる種類のデータの比率を調整する適応型バッドケースサンプリングモジュールを提案する。 品質については、GPT-4を用いて、各データタイプで高品質なデータを生成する。
  論文  参考訳（メタデータ） (2023-08-25T01:41:04Z)
• 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)
• LightAutoML: AutoML Solution for a Large Financial Services Ecosystem [108.09104876115428]
  本稿では、ヨーロッパ大手金融サービス会社向けに開発されたLightAutoMLと呼ばれるAutoMLシステムについて述べる。 当社のフレームワークは、多数のアプリケーションに試験的にデプロイされ、経験豊富なデータサイエンティストのレベルで実行されました。
  論文  参考訳（メタデータ） (2021-09-03T13:52:32Z)
• Comparison of Automated Machine Learning Tools for SMS Spam Message Filtering [0.0]
  Short Message Service (SMS)は、モバイルユーザーによるコミュニケーションに使用される人気のサービスである。 本研究では,SMSスパムメッセージフィルタリングのための3つの自動機械学習(AutoML)ツールの分類性能比較を行った。 実験の結果,アンサンブルモデルが最も優れた分類性能を示した。
  論文  参考訳（メタデータ） (2021-06-16T10:16:07Z)
• A Neophyte With AutoML: Evaluating the Promises of Automatic Machine Learning Tools [1.713291434132985]
  本稿では,機械学習(ML)経験の少ない人の視点から,現代の自動機械学習(AutoML)ツールについて考察する。 ML技術の使用を簡素化し、民主化するために作られたAutoMLツールは、使いやすくも開発中のツールも数多くある。
  論文  参考訳（メタデータ） (2021-01-14T19:28:57Z)
• Can AutoML outperform humans? An evaluation on popular OpenML datasets using AutoML Benchmark [0.05156484100374058]
  この記事では、OpenMLから12の人気のあるデータセット上の4つのAutoMLフレームワークを比較します。 その結果、自動化されたフレームワークは、12のOpenMLタスクのうち7つの機械学習コミュニティより優れているか等しいかが分かる。
  論文  参考訳（メタデータ） (2020-09-03T10:25:34Z)
• Auto-Sklearn 2.0: Hands-free AutoML via Meta-Learning [45.643809726832764]
  第2回ChaLearn AutoMLチャレンジへの勝利を動機とした新しいAutoMLアプローチを紹介します。 我々はPoSH Auto-Sklearnを開発した。これは、厳格な時間制限下で、AutoMLシステムが大きなデータセットでうまく機能することを可能にする。 また、真にハンズフリーなAutoMLに対する解決策を提案する。
  論文  参考訳（メタデータ） (2020-07-08T12:41:03Z)
• AutoGluon-Tabular: Robust and Accurate AutoML for Structured Data [120.2298620652828]
  オープンソースのAutoMLフレームワークであるAutoGluon-Tabularを紹介します。 KaggleとOpenML AutoML Benchmarkの50の分類および回帰タスクからなるスイートのテストによると、AutoGluonはより速く、より堅牢で、はるかに正確である。
  論文  参考訳（メタデータ） (2020-03-13T23:10:39Z)

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。