論文の概要: OMEGA: Optimizing Machine Learning by Evaluating Generated Algorithms

• arxiv url: http://arxiv.org/abs/2604.26211v1
• Date: Wed, 29 Apr 2026 01:30:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.21354
• Title: OMEGA: Optimizing Machine Learning by Evaluating Generated Algorithms
• Title（参考訳）: OMEGA: 生成アルゴリズムの評価による機械学習の最適化
• Authors: Jeremy Nixon, Annika Singh,
• Abstract要約: アイデア生成から始まり、実行可能なコードで終わる、完全なエンドツーエンドフレームワークを導入します。 OMEGAフレームワークは、Scikit-Lernベースラインを上回るいくつかの新しいアルゴリズムを生成するために利用されてきた。 この論文で論じられているモデルや、pythonパッケージで議論されているモデルにアクセスできる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In order to automate AI research we introduce a full, end-to-end framework, OMEGA: Optimizing Machine learning by Evaluating Generated Algorithms, that starts at idea generation and ends with executable code. Our system combines structured meta-prompt engineering with executable code generation to create new ML classifiers. The OMEGA framework has been utilized to generate several novel algorithms that outperform scikit-learn baselines across a robust selection of 20 benchmark datasets (infinity-bench). You can access models discussed in this paper and more in the python package: pip install omega-models.
• Abstract（参考訳）: AI研究を自動化するために、私たちはOMEGA: 生成アルゴリズムの評価による機械学習の最適化という、完全なエンドツーエンドフレームワークを導入しました。 我々のシステムは、構造化メタプロンプト工学と実行可能なコード生成を組み合わせて、新しいML分類器を作成する。 OMEGAフレームワークは、20のベンチマークデータセット(infinity-bench)の堅牢な選択において、Scikit-learnベースラインよりも優れたいくつかの新しいアルゴリズムを生成するために使用されている。 この論文で論じられているモデルや、pythonパッケージで論じられているモデルにアクセスできる。

関連論文リスト

• How Should We Meta-Learn Reinforcement Learning Algorithms? [69.12853522797188]
  メタ学習型アルゴリズムに適用した場合、異なるアプローチの実証的な比較を行う。 また, メタトレインとメタテスト性能に加えて, 解釈可能性, サンプルコスト, 列車時間などの要因についても検討した。 我々は,将来学習されるアルゴリズムが可能な限り高性能であることを保証するために,新しいRLアルゴリズムをメタラーニングするためのガイドラインをいくつか提案する。
  論文  参考訳（メタデータ） (2025-07-23T16:31:38Z)
• Evaluating Efficiency and Novelty of LLM-Generated Code for Graph Analysis [0.1274452325287335]
  大規模言語モデル(LLM)は、ソフトウェア開発の自動化にますます使われています。 本稿では、グラフ解析ルーチンの効率的なC実装を生成するLLMの能力について包括的に研究する。 これらのモデルがトランスフォーメーションアルゴリズムテクニックを発明する可能性は、将来の研究にとって魅力的なフロンティアである。
  論文  参考訳（メタデータ） (2025-07-09T00:46:30Z)
• LLaMEA-BO: A Large Language Model Evolutionary Algorithm for Automatically Generating Bayesian Optimization Algorithms [0.01874930567916036]
  LLM(Large Language Models)は、科学的な発見を自動化するための新たな道を開いた。 我々のフレームワークは進化戦略を使って、BOアルゴリズムの重要なコンポーネントを保存するPythonコードを生成するのにLLMを導く。 さらなる微調整は行わなかったが、LLM生成アルゴリズムは5次元のBBOB関数を19(24の内)で上回り、より高次元に一般化し、異なるタスクをこなす。
  論文  参考訳（メタデータ） (2025-05-27T11:13:14Z)
• LLaMEA: A Large Language Model Evolutionary Algorithm for Automatically Generating Metaheuristics [0.023020018305241332]
  本稿では,Large Language Model Evolutionary Algorithm (LLaMEA) フレームワークを紹介する。 一連の基準とタスク定義(検索空間)が与えられた後、LLaMEAは反復的にアルゴリズムを生成し、変更し、選択する。 我々は,このフレームワークを用いて,新しいブラックボックスメタヒューリスティック最適化アルゴリズムを自動生成する方法を示す。
  論文  参考訳（メタデータ） (2024-05-30T15:10:59Z)
• Generative and reproducible benchmarks for comprehensive evaluation of machine learning classifiers [6.605210393590192]
  Diverse and GENerative ML Benchmark (DIGEN)は、機械学習アルゴリズムのベンチマークのための合成データセットの集合である。 詳細なドキュメンテーションと分析を備えたリソースはオープンソースであり、GitHubで公開されている。
  論文  参考訳（メタデータ） (2021-07-14T03:58:02Z)
• Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and Personalized Federated Learning [56.17603785248675]
  モデルに依存しないメタラーニング (MAML) が人気のある研究分野となっている。 既存のMAMLアルゴリズムは、イテレーション毎にメタモデルを更新するためにいくつかのタスクとデータポイントをサンプリングすることで、エピソードのアイデアに依存している。 本稿では,MAMLのメモリベースアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-09T08:47:58Z)
• Searching towards Class-Aware Generators for Conditional Generative Adversarial Networks [132.29772160843825]
  条件付き生成逆数ネットワーク(cGAN)は,その条件に基づいて画像を生成するように設計されている。 既存のメソッドは、すべてのクラスで同じ生成アーキテクチャを使っている。 本稿では,各クラスごとに異なるアーキテクチャを見つけるためにNASを採用する新しいアイデアを提案する。
  論文  参考訳（メタデータ） (2020-06-25T07:05:28Z)
• Model Selection in Contextual Stochastic Bandit Problems [51.94632035240787]
  基本アルゴリズムを選択できるメタアルゴリズムを開発した。 基本アルゴリズムの1つが$O(sqrtT)$後悔している場合でも、一般的には$Omega(sqrtT)$後悔よりも良いものを得ることはできません。
  論文  参考訳（メタデータ） (2020-03-03T18:46:34Z)
• Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
  乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。 アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。 ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
  論文  参考訳（メタデータ） (2020-02-20T10:50:58Z)

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。