論文の概要: Extreme AutoML: Analysis of Classification, Regression, and NLP Performance

• arxiv url: http://arxiv.org/abs/2412.07000v2
• Date: Wed, 11 Dec 2024 15:58:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:03:48.825966
• Title: Extreme AutoML: Analysis of Classification, Regression, and NLP Performance
• Title（参考訳）: Extreme AutoML: 分類、回帰、NLPパフォーマンスの分析
• Authors: Edward Ratner, Elliot Farmer, Brandon Warner, Christopher Douglas, Amaury Lendasse,
• Abstract要約: Extreme Learning Machines (ELMs) は基本的に異なるタイプのニューラルアーキテクチャを使用し、計算コストを大幅に削減してより良い結果をもたらす。 カリフォルニア大学アーバイン校(UCI)リポジトリのいくつかの一般的な分類データセットを使用して、Extreme AutoML技術をGoogleのAutoMLと比較した。
• 参考スコア（独自算出の注目度）: 0.19791587637442667
• License:
• Abstract: Utilizing machine learning techniques has always required choosing hyperparameters. This is true whether one uses a classical technique such as a KNN or very modern neural networks such as Deep Learning. Though in many applications, hyperparameters are chosen by hand, automated methods have become increasingly more common. These automated methods have become collectively known as automated machine learning, or AutoML. Several automated selection algorithms have shown similar or improved performance over state-of-the-art methods. This breakthrough has led to the development of cloud-based services like Google AutoML, which is based on Deep Learning and is widely considered to be the industry leader in AutoML services. Extreme Learning Machines (ELMs) use a fundamentally different type of neural architecture, producing better results at a significantly discounted computational cost. We benchmark the Extreme AutoML technology against Google's AutoML using several popular classification data sets from the University of California at Irvine's (UCI) repository, and several other data sets, observing significant advantages for Extreme AutoML in accuracy, Jaccard Indices, the variance of Jaccard Indices across classes (i.e. class variance) and training times.
• Abstract（参考訳）: 機械学習技術を利用するには、常にハイパーパラメータを選択する必要がある。 これは、KNNのような古典的なテクニックを使うか、Deep Learningのような非常に現代的なニューラルネットワークを使うかのどちらかである。 多くのアプリケーションでは、ハイパーパラメータは手動で選択されるが、自動化メソッドはますます一般的になっている。 これらの自動化メソッドは、集合的にAutoML(AutoML)として知られるようになった。 いくつかの自動選択アルゴリズムは、最先端手法よりも類似または改善された性能を示している。 このブレークスルーは、Deep LearningをベースにしたGoogle AutoMLのようなクラウドベースのサービスの開発につながった。 Extreme Learning Machines (ELMs) は基本的に異なるタイプのニューラルアーキテクチャを使用し、計算コストを大幅に削減してより良い結果をもたらす。 我々は、カリフォルニア大学アーバイン校(UCI)リポジトリの一般的な分類データセットと、その他のデータセットを使用して、エクストリームAutoML技術とGoogleのAutoMLのベンチマークを行い、Extreme AutoMLの精度、Jaccard Indices、クラス間でのJaccard Indicesのばらつき(クラス分散など)、トレーニング時間における大きなメリットを観察した。

関連論文リスト

• 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)
• Benchmarking AutoML algorithms on a collection of binary problems [3.3793659640122717]
  本稿では,Tree-based Pipeline Optimization Tool (TPOT), Auto-Sklearn, Auto-Sklearn 2, H2O AutoMLの4種類のAutoMLアルゴリズムの性能を比較した。 私たちはAutoMLがすべての含まれたデータセットでうまく機能するパイプラインを識別できることを確認します。
  論文  参考訳（メタデータ） (2022-12-06T01:53:50Z)
• Hyperparameter optimization in deep multi-target prediction [16.778802088570412]
  私たちは、マルチターゲット予測の傘の下に置かれるほとんどの問題設定に対して、単一のAutoMLフレームワークを提供しています。 私たちの作業は、マルチターゲット予測の傘の下に収まるほとんどの問題設定に対して、単一のAutoMLフレームワークを提供する最初の試みであると見なすことができます。
  論文  参考訳（メタデータ） (2022-11-08T16:33:36Z)
• 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)
• AutoGL: A Library for Automated Graph Learning [67.63587865669372]
  グラフ上での機械学習を自動化するための,最初の専用ライブラリであるAutomated Graph Learning(AutoGL)を紹介する。 AutoGLはオープンソースで、使いやすく、拡張も柔軟です。 また、パイプラインのカスタマイズとアプリケーションの強化を容易にする、AutoGLの軽量バージョンであるAutoGL-lightも紹介します。
  論文  参考訳（メタデータ） (2021-04-11T10:49:23Z)
• Naive Automated Machine Learning -- A Late Baseline for AutoML [0.0]
  AutoML(Automated Machine Learning)は、特定のデータセット上で最高の一般化パフォーマンスを持つパイプラインを自動的に見つける問題です。 機械学習の問題に関する重要なメタ知識を利用するAutoMLの非常に単純なソリューションであるNaive AutoMLを紹介します。
  論文  参考訳（メタデータ） (2021-03-18T19:52:12Z)
• Auto-PyTorch Tabular: Multi-Fidelity MetaLearning for Efficient and Robust AutoDL [53.40030379661183]
  Auto-PyTorchは、完全に自動化されたディープラーニング(AutoDL)を実現するフレームワーク ディープニューラルネットワーク(DNN)のウォームスタートとアンサンブルのためのマルチフィデリティ最適化とポートフォリオ構築を組み合わせる。 Auto-PyTorchは、いくつかの最先端の競合製品よりもパフォーマンスが良いことを示す。
  論文  参考訳（メタデータ） (2020-06-24T15:15:17Z)
• Adaptation Strategies for Automated Machine Learning on Evolving Data [7.843067454030999]
  本研究は,概念ドリフトなどのデータストリーム課題がAutoML手法の性能に及ぼす影響を理解することを目的とする。 本稿では,6つの概念ドリフト適応戦略を提案し,それらの有効性を異なるAutoMLアプローチで評価する。
  論文  参考訳（メタデータ） (2020-06-09T14:29:16Z)
• DriveML: An R Package for Driverless Machine Learning [7.004573941239386]
  DriveMLは、自動機械学習パイプラインのいくつかの柱の実装を支援する。 DriveMLの主な利点は、開発時間の節約、開発者のエラー低減、マシンラーニングモデルとエラーの最適チューニングである。
  論文  参考訳（メタデータ） (2020-05-01T16:40:25Z)
• 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)
• AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
  基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。 汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。 機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
  論文  参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。