論文の概要: AutoMMLab: Automatically Generating Deployable Models from Language Instructions for Computer Vision Tasks

• arxiv url: http://arxiv.org/abs/2402.15351v1
• Date: Fri, 23 Feb 2024 14:38:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-26 14:22:48.215876
• Title: AutoMMLab: Automatically Generating Deployable Models from Language Instructions for Computer Vision Tasks
• Title（参考訳）: AutoMMLab: コンピュータビジョンタスクのための言語命令からデプロイ可能なモデルを自動的に生成する
• Authors: Zekang Yang, Wang Zeng, Sheng Jin, Chen Qian, Ping Luo, Wentao Liu
• Abstract要約: AutoMMLabは、ユーザの言語命令に従う汎用LLMベースのAutoMLシステムである。 提案する AutoMMLab システムは,AutoML と OpenMMLab コミュニティを結ぶブリッジとして LLM を効果的に利用している。 実験の結果、AutoMMLabシステムは汎用的で、さまざまなメインストリームタスクをカバーしています。
• 参考スコア（独自算出の注目度）: 39.71649832548044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated machine learning (AutoML) is a collection of techniques designed to automate the machine learning development process. While traditional AutoML approaches have been successfully applied in several critical steps of model development (e.g. hyperparameter optimization), there lacks a AutoML system that automates the entire end-to-end model production workflow. To fill this blank, we present AutoMMLab, a general-purpose LLM-empowered AutoML system that follows user's language instructions to automate the whole model production workflow for computer vision tasks. The proposed AutoMMLab system effectively employs LLMs as the bridge to connect AutoML and OpenMMLab community, empowering non-expert individuals to easily build task-specific models via a user-friendly language interface. Specifically, we propose RU-LLaMA to understand users' request and schedule the whole pipeline, and propose a novel LLM-based hyperparameter optimizer called HPO-LLaMA to effectively search for the optimal hyperparameters. Experiments show that our AutoMMLab system is versatile and covers a wide range of mainstream tasks, including classification, detection, segmentation and keypoint estimation. We further develop a new benchmark, called LAMP, for studying key components in the end-to-end prompt-based model training pipeline. Code, model, and data will be released.
• Abstract（参考訳）: Automated Machine Learning (AutoML)は、機械学習開発プロセスを自動化するために設計されたテクニックの集合である。 従来のAutoMLアプローチは、モデル開発のいくつかの重要なステップ(ハイパーパラメータ最適化など)でうまく適用されているが、エンドツーエンドモデルのプロダクションワークフロー全体を自動化するAutoMLシステムがない。 この空白を埋めるために,コンピュータビジョンタスクのためのモデル生成ワークフロー全体を自動化するために,ユーザの言語命令に従う汎用LLMを活用したAutoMLシステムであるAutoMMLabを提案する。 提案する AutoMMLab システムは,AutoML と OpenMMLab コミュニティを接続するブリッジとして LLM を効果的に利用する。 具体的には、ユーザの要求を理解し、パイプライン全体をスケジュールするRU-LLaMAを提案し、HPO-LLaMAと呼ばれる新しいLLMベースのハイパーパラメータオプティマイザを提案し、最適なハイパーパラメータを効率的に検索する。 実験の結果,AutoMMLabシステムは汎用的で,分類,検出,セグメンテーション,キーポイント推定など,幅広いタスクをカバーしていることがわかった。 我々はさらに、エンドツーエンドのプロンプトベースのモデルトレーニングパイプラインで重要なコンポーネントを研究するための新しいベンチマーク、lampを開発しました。 コード、モデル、データはリリースされる予定だ。

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)
• AutoM3L: An Automated Multimodal Machine Learning Framework with Large Language Models [6.496539724366041]
  本稿では,革新的マルチモーダル機械学習フレームワークAutoM3Lを紹介する。 AutoM3Lはデータモダリティを理解し、ユーザ要求に基づいて適切なモデルを選択する。 6つの多様なマルチモーダルデータセット上でのAutoM3Lの性能評価を行った。
  論文  参考訳（メタデータ） (2024-08-01T16:01:51Z)
• 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)
• TaskBench: Benchmarking Large Language Models for Task Automation [82.2932794189585]
  タスク自動化における大規模言語モデル(LLM)の機能を評価するためのフレームワークであるTaskBenchを紹介する。 具体的には、タスクの分解、ツールの選択、パラメータ予測を評価する。 提案手法は, 自動構築と厳密な人的検証を組み合わせることで, 人的評価との整合性を確保する。
  論文  参考訳（メタデータ） (2023-11-30T18:02:44Z)
• 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)
• AutoML-GPT: Automatic Machine Learning with GPT [74.30699827690596]
  本稿では,タスク指向のプロンプトを開発し,大規模言語モデル(LLM)を自動的に活用して学習パイプラインを自動化することを提案する。 本稿では,多様なAIモデルのブリッジとしてGPTを用いたAutoML-GPTを提案する。 このアプローチはコンピュータビジョン、自然言語処理、その他の課題領域において顕著な結果をもたらす。
  論文  参考訳（メタデータ） (2023-05-04T02:09:43Z)
• 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)
• XAutoML: A Visual Analytics Tool for Understanding and Validating Automated Machine Learning [5.633209323925663]
  XAutoMLは、AutoMLによって構築された任意のAutoML最適化手順とMLパイプラインを説明するための、インタラクティブなビジュアル分析ツールである。 XAutoMLは、インタラクティブな視覚化と、説明可能な人工知能(XAI)の確立したテクニックを組み合わせることで、完全なAutoML手順を透過的かつ説明可能なものにする。
  論文  参考訳（メタデータ） (2022-02-24T08:18:25Z)

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。