論文の概要: Creation and Evaluation of a Food Product Image Dataset for Product Property Extraction

• arxiv url: http://arxiv.org/abs/2411.10591v1
• Date: Fri, 15 Nov 2024 21:29:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:34:49.642604
• Title: Creation and Evaluation of a Food Product Image Dataset for Product Property Extraction
• Title（参考訳）: 製品特性抽出のための食品画像データセットの作成と評価
• Authors: Christoph Brosch, Alexander Bouwens, Sebastian Bast, Swen Haab, Rolf Krieger,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 39.58317527488534
• License:
• Abstract: Price forecasting for used construction equipment is a challenging task due to spatial and temporal price fluctuations. It is thus of high interest to automate the forecasting process based on current market data. Even though applying machine learning (ML) to these data represents a promising approach to predict the residual value of certain tools, it is hard to implement for small and medium-sized enterprises due to their insufficient ML expertise. To this end, we demonstrate the possibility of substituting manually created ML pipelines with automated machine learning (AutoML) solutions, which automatically generate the underlying pipelines. We combine AutoML methods with the domain knowledge of the companies. Based on the CRISP-DM process, we split the manual ML pipeline into a machine learning and non-machine learning part. To take all complex industrial requirements into account and to demonstrate the applicability of our new approach, we designed a novel metric named method evaluation score, which incorporates the most important technical and non-technical metrics for quality and usability. Based on this metric, we show in a case study for the industrial use case of price forecasting, that domain knowledge combined with AutoML can weaken the dependence on ML experts for innovative small and medium-sized enterprises which are interested in conducting such solutions.
• Abstract（参考訳）: 使用済み建設設備の価格予測は,空間的・時間的価格変動による課題である。 そのため、現在の市場データに基づく予測プロセスの自動化が注目されている。 これらのデータに機械学習(ML)を適用することは、特定のツールの残高を予測するための有望なアプローチであるが、MLの専門知識が不足しているため、中小企業では実装が困難である。 この目的のために、自動機械学習(AutoML)ソリューションで手動で作成したMLパイプラインを置換し、基盤となるパイプラインを自動的に生成する可能性を示す。 私たちはAutoMLメソッドと企業のドメイン知識を組み合わせています。 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。 産業の複雑な要件をすべて考慮し,新しいアプローチの適用性を示すため,我々は,品質とユーザビリティの最も重要な技術的および非技術的指標を取り入れた,メソッド評価スコアという新しい指標を考案した。 この指標に基づき、価格予測の産業利用事例として、AutoMLと組み合わせたドメイン知識が、そのようなソリューションの実施に関心のある革新的中小企業におけるMLエキスパートへの依存を弱める可能性があることを示す。

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)
• 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)
• Automated Machine Learning in the smart construction era:Significance and accessibility for industrial classification and regression tasks [6.206133097433925]
  本稿では,自動機械学習(AutoML)技術の建築産業への適用について検討する。 AutoMLを利用することで、建設専門家はソフトウェアを使用して産業データをプロジェクト管理を支援するMLモデルに処理できる。
  論文  参考訳（メタデータ） (2023-08-03T03:17:22Z)
• 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)
• Automated Machine Learning for Remaining Useful Life Predictions [15.02669353424867]
  本稿では、自動RUL予測のためのAutoML駆動のエンドツーエンドアプローチであるAutoRULを紹介する。 我々はAutoMLが手作りのデータ駆動型RUL予測に代わる実行可能な代替手段であることを示す。
  論文  参考訳（メタデータ） (2023-06-21T12:15:57Z)
• 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)
• Automated machine learning: AI-driven decision making in business analytics [0.0]
  本稿では、ビジネス分析におけるアプリケーションにおけるAutoMLの可能性について分析する。 H2O AutoMLフレームワークは、手動でチューニングされたMLモデルに対してベンチマークされた。 高速で、使いやすく、信頼性の高い結果を提供する。
  論文  参考訳（メタデータ） (2022-05-21T08:35:02Z)
• 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)

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。