論文の概要: AutoMMLab: Automatically Generating Deployable Models from Language Instructions for Computer Vision Tasks
- arxiv url: http://arxiv.org/abs/2402.15351v2
- Date: Thu, 26 Dec 2024 13:14:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-30 17:23:10.199778
- 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: コンピュータビジョンのためのエンドツーエンドモデルプロダクションワークフロー全体を自動化するAutoMLシステムはありません。
本稿では、ユーザの自然言語要求を理解し、プロダクション対応モデルを生成するワークフロー全体を実行することを含む、新しいリクエスト・ツー・モデルタスクを提案する。
これにより、専門家でない個人が、ユーザフレンドリーな言語インターフェースを通じて、タスク固有のモデルを簡単に構築できるようになる。
- 参考スコア（独自算出の注目度）: 37.48197934228379
- License:
- 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 for computer vision. To fill this blank, we propose a novel request-to-model task, which involves understanding the user's natural language request and execute the entire workflow to output production-ready models. This empowers non-expert individuals to easily build task-specific models via a user-friendly language interface. To facilitate development and evaluation, we develop a new experimental platform called AutoMMLab and a new benchmark called LAMP for studying key components in the end-to-end request-to-model pipeline. Hyperparameter optimization (HPO) is one of the most important components for AutoML. Traditional approaches mostly rely on trial-and-error, leading to inefficient parameter search. To solve this problem, we propose a novel LLM-based HPO algorithm, called HPO-LLaMA. Equipped with extensive knowledge and experience in model hyperparameter tuning, HPO-LLaMA achieves significant improvement of HPO efficiency. Dataset and code are available at https://github.com/yang-ze-kang/AutoMMLab.
- 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(例えばハイパーパラメータ最適化)でうまく適用されているが、コンピュータビジョンのためのエンドツーエンドモデル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、ユーザの自然言語要求を理解し、プロダクション対応モデルを出力するためのワークフロー全体を実行する新しいリクエスト・ツー・モデルタスクを提案する。
これにより、専門家でない個人が、ユーザフレンドリーな言語インターフェースを通じて、タスク固有のモデルを簡単に構築できるようになる。
開発と評価を容易にするため,我々はAutoMMLabと呼ばれる新しい実験プラットフォームとLAMPと呼ばれる新しいベンチマークを開発し,エンド・ツー・エンド・エンド・リクエスト・ツー・モデルパイプラインの主要コンポーネントについて検討した。
ハイパーパラメータ最適化(HPO)はAutoMLにとって最も重要なコンポーネントの1つである。
従来のアプローチは主に試行錯誤に依存しており、非効率なパラメータ探索に繋がる。
この問題を解決するために,HPO-LLaMAと呼ばれる新しいLLMベースのHPOアルゴリズムを提案する。
HPO-LLaMAは、モデルハイパーパラメータチューニングにおける豊富な知識と経験を備え、HPO効率を大幅に向上させる。
データセットとコードはhttps://github.com/yang-ze-kang/AutoMMLab.comで入手できる。
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) - AutoML-GPT: Large Language Model for AutoML [5.9145212342776805]
包括的なツールとライブラリを統合するAutoML-GPTというフレームワークを確立しました。
会話インターフェースを通じて、ユーザーは要求、制約、評価メトリクスを指定できる。
我々は、AutoML-GPTが機械学習タスクに必要な時間と労力を大幅に削減することを示した。
論文 参考訳（メタデータ） (2023-09-03T09:39:49Z) - Assessing the Use of AutoML for Data-Driven Software Engineering [13.524883764376481]
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)
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。