論文の概要: AdaptoML-UX: An Adaptive User-centered GUI-based AutoML Toolkit for Non-AI Experts and HCI Researchers

• arxiv url: http://arxiv.org/abs/2410.17469v1
• Date: Tue, 22 Oct 2024 22:52:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-24 13:55:13.270037
• Title: AdaptoML-UX: An Adaptive User-centered GUI-based AutoML Toolkit for Non-AI Experts and HCI Researchers
• Title（参考訳）: AdaptoML-UX - 非AI専門家とHCI研究者のための適応型ユーザ中心GUIベースのAutoMLツールキット
• Authors: Amr Gomaa, Michael Sargious, Antonio Krüger,
• Abstract要約: AdaptoML-UXは、自動機能エンジニアリング、機械学習、インクリメンタルラーニングを組み込んだアダプティブフレームワークである。 我々のツールキットは、多様な問題領域やデータセットに効率的に適応できることを示します。 インクリメンタルな学習を通じてモデルのパーソナライズをサポートし、個々のユーザの振る舞いに合わせてモデルをカスタマイズする。
• 参考スコア（独自算出の注目度）: 19.602247178319992
• License:
• Abstract: The increasing integration of machine learning across various domains has underscored the necessity for accessible systems that non-experts can utilize effectively. To address this need, the field of automated machine learning (AutoML) has developed tools to simplify the construction and optimization of ML pipelines. However, existing AutoML solutions often lack efficiency in creating online pipelines and ease of use for Human-Computer Interaction (HCI) applications. Therefore, in this paper, we introduce AdaptoML-UX, an adaptive framework that incorporates automated feature engineering, machine learning, and incremental learning to assist non-AI experts in developing robust, user-centered ML models. Our toolkit demonstrates the capability to adapt efficiently to diverse problem domains and datasets, particularly in HCI, thereby reducing the necessity for manual experimentation and conserving time and resources. Furthermore, it supports model personalization through incremental learning, customizing models to individual user behaviors. HCI researchers can employ AdaptoML-UX (\url{https://github.com/MichaelSargious/AdaptoML_UX}) without requiring specialized expertise, as it automates the selection of algorithms, feature engineering, and hyperparameter tuning based on the unique characteristics of the data.
• Abstract（参考訳）: さまざまな領域にわたる機械学習の統合の増大は、非専門家が効果的に活用できるアクセス可能なシステムの必要性を浮き彫りにした。 このニーズに対処するため、自動機械学習(AutoML)の分野は、MLパイプラインの構築と最適化を簡単にするためのツールを開発した。 しかし、既存のAutoMLソリューションはオンラインパイプライン作成の効率やヒューマン・コンピュータ・インタラクション(HCI)アプリケーションの使いやすさに欠けることが多い。 そこで本稿では、自動機能エンジニアリング、機械学習、インクリメンタルラーニングを取り入れた適応型フレームワークであるAdaptoML-UXを導入し、AIの専門家が堅牢でユーザ中心のMLモデルを開発するのを支援する。 我々のツールキットは、特にHCIにおいて、多様な問題領域やデータセットに効率的に適応できることを示し、手動実験や時間と資源の保存の必要性を減らす。 さらに、インクリメンタルラーニングによるモデルパーソナライズをサポートし、モデルを個々のユーザ行動にカスタマイズする。 HCIの研究者たちは、アルゴリズムの選択、機能エンジニアリング、ハイパーパラメータチューニングをデータ特有の特性に基づいて自動化するため、専門的な専門知識を必要としないAdaptoML-UX(\url{https://github.com/MichaelSargious/AdaptoML_UX})を使用することができる。

関連論文リスト

• Towards a Domain-Specific Modelling Environment for Reinforcement Learning [0.13124513975412253]
  ドメイン固有のモデリング環境を開発するために、モデル駆動工学(MDE)手法とツールを使用します。 我々は、機械学習領域からの強化学習を目標とし、提案言語である強化学習モデリング言語(RLML)の評価を行った。 このツールは構文指向の編集、制約チェック、RLMLモデルからのコードの自動生成をサポートする。
  論文  参考訳（メタデータ） (2024-10-12T04:56:01Z)
• 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)
• Democratize with Care: The need for fairness specific features in user-interface based open source AutoML tools [0.0]
  Automated Machine Learning (AutoML)は、機械学習モデル開発プロセスを効率化する。 この民主化により、多くのユーザー(非専門家を含む)が最先端の機械学習の専門知識にアクセスし利用できるようになる。 しかし、AutoMLツールはまた、これらのツールがデータを処理する方法、モデル選択、そして採用される最適化アプローチのバイアスを伝播する可能性がある。
  論文  参考訳（メタデータ） (2023-12-16T19:54:00Z)
• 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)
• 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)
• 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)
• Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
  モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。 特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
  論文  参考訳（メタデータ） (2022-03-06T10:12:56Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Resource-Aware Pareto-Optimal Automated Machine Learning Platform [1.6746303554275583]
  新プラットフォーム Resource-Aware AutoML (RA-AutoML) RA-AutoMLは、フレキシブルで一般化されたアルゴリズムで、複数の目的に合わせた機械学習モデルを構築することができる。
  論文  参考訳（メタデータ） (2020-10-30T19:37:48Z)
• Evolution of Scikit-Learn Pipelines with Dynamic Structured Grammatical Evolution [1.5224436211478214]
  本稿では、動的構造文法進化(DSGE)をScikit-Learn分類パイプラインの進化に適応させる新しい文法ベースのフレームワークについて述べる。 実験結果は、AutoML-DSGEを他の文法ベースのAutoMLフレームワークであるResilient ClassificationPipeline Evolution (RECIPE)と比較することを含む。
  論文  参考訳（メタデータ） (2020-04-01T09:31:34Z)

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。