論文の概要: Public Machine Learning Solver Framework for Novices in the Machine Learning Domain
- arxiv url: http://arxiv.org/abs/2606.08212v1
- Date: Sat, 06 Jun 2026 14:57:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:05.976127
- Title: Public Machine Learning Solver Framework for Novices in the Machine Learning Domain
- Title（参考訳）: 機械学習分野の初心者のためのパブリック機械学習ソルバーフレームワーク
- Authors: Lokman Saleh, Hafedh Mili, Mounir Boukadoum,
- Abstract要約: 非専門家に対して半自動化されたインテリジェントなソリューションレコメンデーションを提供するために,カテゴリ2と3を組み合わせた新しいプラットフォームを提案する。
単一のアルゴリズムを推奨する既存のアプローチとは異なり、当社のプラットフォームでは、ユーザの問題に合わせた完全なパイプラインを提案しています。
知識ベースを推論するために一階述語論理を使用し、関連性によってランク付けされた適切なアルゴリズムを推奨する。
- 参考スコア（独自算出の注目度）: 1.7893310647034184
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Solving machine learning problems is complex and typically reserved for experts. Over the past two decades, systems have emerged to support non-experts. Based on our review, we identify three categories: (1) fully automated AutoML systems, (2) expert cheat sheets for algorithm selection, and (3) decision-support systems using selection criteria (accuracy, transparency, data requirements). We propose a new platform combining categories 2 and 3 to deliver semi-automated, intelligent solution recommendations for non-experts. Unlike existing approaches that recommend a single algorithm, our platform suggests a complete pipeline tailored to the user's problem. It integrates expert-defined selection criteria with transfer learning and automatically extracts data characteristics (e.g., class imbalance, missing values) from user-provided datasets. The platform uses first-order logic to reason over its knowledge base and recommends suitable algorithms ranked by relevance. It features a user-friendly interface and connects to a crowdsourcing platform for ML experts, ensuring continuous updates. The platform is built incrementally, allowing seamless integration of new algorithms, criteria, and domain knowledge. To our knowledge, this is the first free, publicly accessible online framework that systematically captures and operationalizes expert knowledge to guide non-experts in solving ML problems in a structured, transparent manner.
- Abstract（参考訳）: 機械学習の問題を解決するのは複雑で、通常は専門家に限られる。
過去20年間で、システムは非専門家をサポートするようになった。
本レビューでは,(1)完全自動化オートMLシステム,(2)アルゴリズム選択のためのエキスパートチートシート,(3)選択基準(正確性,透明性,データ要求)を用いた意思決定支援システムの3つのカテゴリを同定した。
非専門家に対して半自動化されたインテリジェントなソリューションレコメンデーションを提供するために,カテゴリ2と3を組み合わせた新しいプラットフォームを提案する。
単一のアルゴリズムを推奨する既存のアプローチとは異なり、当社のプラットフォームでは、ユーザの問題に合わせた完全なパイプラインを提案しています。
専門家定義の選択基準と転送学習を統合し、ユーザが提供するデータセットからデータ特性(例えば、クラス不均衡、欠落値)を自動的に抽出する。
このプラットフォームは、知識ベースを推論するために一階述語論理を使用し、関連性によってランク付けされた適切なアルゴリズムを推奨する。
ユーザフレンドリなインターフェースを備え、ML専門家のためのクラウドソーシングプラットフォームに接続し、継続的なアップデートを保証する。
プラットフォームはインクリメンタルに構築され、新しいアルゴリズム、基準、ドメイン知識をシームレスに統合することができる。
私たちの知る限り、これは、構造化された透明な方法でML問題の解決において、エキスパート知識を体系的にキャプチャし、運用する、初めての、無料で公開されているオンラインフレームワークです。
関連論文リスト
- A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。
本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
論文 参考訳（メタデータ） (2025-10-10T06:56:50Z) - AutoMind: Adaptive Knowledgeable Agent for Automated Data Science [70.33796196103499]
LLM(Large Language Model)エージェントは、現実世界のデータサイエンス問題に対処する大きな可能性を示している。
既存のフレームワークは、厳格で、事前定義された、柔軟性のないコーディング戦略に依存している。
適応的で知識のあるLLMエージェントフレームワークであるAutoMindを紹介する。
論文 参考訳（メタデータ） (2025-06-12T17:59:32Z) - Boost, Disentangle, and Customize: A Robust System2-to-System1 Pipeline for Code Generation [58.799397354312596]
大規模言語モデル(LLM)は、様々な領域、特にシステム1タスクにおいて顕著な機能を示した。
System2-to-System1法に関する最近の研究が急増し、推論時間計算によるシステム2の推論知識が探索された。
本稿では,システム2タスクの代表的タスクであるコード生成に注目し,主な課題を2つ挙げる。
論文 参考訳（メタデータ） (2025-02-18T03:20:50Z) - Coupling Machine Learning with Ontology for Robotics Applications [0.0]
動的シナリオにおける事前知識の可用性の欠如は、間違いなくスケーラブルなマシンインテリジェンスにとって大きな障壁である。
二つの階層間の相互作用についての私の見解は、知識が知識ベース層で容易に利用できない場合、他の階層からより多くの知識を抽出できるという考えに基づいている。
論文 参考訳（メタデータ） (2024-06-08T23:38:03Z) - Human-Centric Multimodal Machine Learning: Recent Advances and Testbed
on AI-based Recruitment [66.91538273487379]
人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。
i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
論文 参考訳（メタデータ） (2023-02-13T16:44:44Z) - Self-service Data Classification Using Interactive Visualization and
Interpretable Machine Learning [9.13755431537592]
Iterative Visual Logical (IVLC) は、解釈可能な機械学習アルゴリズムである。
IVLCは、医療領域における癌データのような機密で重要なデータを扱う際に特に有用である。
この章では、新しいコーディネートオーダー(COO)アルゴリズムと遺伝的アルゴリズムを組み合わせた自動分類手法を提案する。
論文 参考訳（メタデータ） (2021-07-11T05:39:14Z) - Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。
本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。
本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
論文 参考訳（メタデータ） (2021-01-24T05:40:29Z) - Specialization in Hierarchical Learning Systems [0.0]
我々は,専門家の階層における情報制約が,正規化の原則的方法を提供するだけでなく,専門化の強制にもどの程度役立つかを検討する。
我々は,問題空間を複数のサブプロブレムに分割し,個々の専門家が解決できる情報理論に基づくオンライン学習ルールを考案する。
本稿では, 分類, 回帰, 密度推定, 強化学習問題など, 様々な問題に対するアプローチの適用性について述べる。
論文 参考訳（メタデータ） (2020-11-03T17:00:31Z) - A Review of Meta-level Learning in the Context of Multi-component,
Multi-level Evolving Prediction Systems [6.810856082577402]
データから有用なパターンを抽出する自動的あるいは半自動的な方法の調査の必要性が高まっている。
与えられた問題に対する学習方法の最も適切なマッピングを見つけるには、深い専門家の知識と広範な計算資源が必要である。
データセットに最適な学習アルゴリズムをアドバイスできるインテリジェントなレコメンデーションエンジンが必要だ。
論文 参考訳（メタデータ） (2020-07-17T14:14:37Z) - Bias in Multimodal AI: Testbed for Fair Automatic Recruitment [73.85525896663371]
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
我々は、性別や人種の偏りを意識的に評価したマルチモーダルな合成プロファイルを用いて、自動求人アルゴリズムを訓練する。
我々の方法論と結果は、一般により公平なAIベースのツール、特により公平な自動採用システムを生成する方法を示している。
論文 参考訳（メタデータ） (2020-04-15T15:58:05Z)
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。