論文の概要: AutoCluster, AutoTopicModeling, AutoTrendAnalysis: A Complete AutoML Pipeline for Predicting Emerging Trends

• arxiv url: http://arxiv.org/abs/2607.22641v1
• Date: Tue, 23 Jun 2026 18:35:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.001204
• Title: AutoCluster, AutoTopicModeling, AutoTrendAnalysis: A Complete AutoML Pipeline for Predicting Emerging Trends
• Title（参考訳）: AutoCluster, AutoTopic Modeling, AutoTrendAnalysis - 新しいトレンドを予測するための完全なAutoMLパイプライン
• Abstract要約: 本稿では,自動機械学習(Automated Machine Learning, AutoML)に基づくトレンド予測フレームワークを提案する。 提案システムは,機械学習の専門知識に制限のあるリアルタイムアプリケーションや利害関係者に適した,スケーラブルでユーザフレンドリなソリューションを提供する。 実験の結果,提案方式の最良の試行は7.099の最終的なRMSEを達成し,高い予測精度を示した。
• 参考スコア（独自算出の注目度）: 0.2333246928962179
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting emerging trends is vital for businesses, researchers, and policymakers; yet traditional approaches often lack scalability and adaptability. This paper presents a trend prediction framework based on Automated Machine Learning (AutoML), designed to extract insights from textual datasets with temporal attributes. The system ingests subject-specific textual entries accompanied by a date field. The pipeline begins with preprocessing and embedding, followed by AutoClustering, which uses meta-learning to select the optimal clustering algorithm. AutoTopicModeling then applies successive halving to identify the best topic modeling method: Latent Dirichlet Allocation (LDA), Latent Semantic Analysis (LSA), BERTopic, or Non-negative Matrix Factorization (NMF) based on the coherence score for each cluster. For trend forecasting, AutoTrendAnalysis evaluates multiple models: Facebook Prophet, AutoRegressive Integrated Moving Average (ARIMA), Seasonal-Trend decomposition using Loess (STL), and Long Short-Term Memory (LSTM) selecting the most accurate based on Root Mean Square Error (RMSE), either through successive halving or exhaustive comparison. Topics are classified as strong signals, weak signals, or noise based on forecasting outcomes, enabling the identification of emerging trends. By automating clustering, topic modeling, and time series forecasting, this research enhances trend prediction accuracy while reducing manual effort. The proposed system offers a scalable and user-friendly solution suitable for real-time applications and stakeholders with limited machine learning expertise. Experimental results demonstrate that the proposed system's best trial achieves a final RMSE of 7.099, indicating high predictive accuracy.
• Abstract（参考訳）: 新興トレンドを予測することは、企業、研究者、政策立案者にとって不可欠である。 本稿では、時間的属性を持つテキストデータセットから洞察を抽出する自動機械学習(Automated Machine Learning, AutoML)に基づくトレンド予測フレームワークを提案する。 このシステムは、日付フィールドを伴って、被写体固有のテキストエントリを取り込みます。 パイプラインは前処理と埋め込みから始まり、次にAutoClusteringが続き、メタラーニングを使用して最適なクラスタリングアルゴリズムを選択する。 次にAutoTopicModelingは、各クラスタのコヒーレンススコアに基づいて、LDA(Latent Dirichlet Allocation)、LSA(Latent Semantic Analysis)、BERTopic(Non- negative Matrix Factorization)、NMF(Non-ありがとうございます。 トレンド予測では、AutoTrendAnalysisは、Facebook Prophet、AutoRegressive Integrated Integrated Average(ARIMA)、Loess(STL)を使った季節差分解、Root Mean Square Error(RMSE)に基づいた最も正確な短期記憶(LSTM)など、複数のモデルを評価する。 トピックは、予測結果に基づいて、強い信号、弱い信号、あるいはノイズに分類され、新興トレンドの特定を可能にする。 本研究は,クラスタリング,トピックモデリング,時系列予測を自動化することにより,手作業の削減を図り,トレンド予測の精度を向上させる。 提案システムは,機械学習の専門知識に制限のあるリアルタイムアプリケーションや利害関係者に適した,スケーラブルでユーザフレンドリなソリューションを提供する。 実験の結果,提案方式の最良の試行は7.099の最終的なRMSEを達成し,高い予測精度を示した。

関連論文リスト

• Forecasting Technological Directions in Wireless Networks and Mobile Computing via AutoML Framework [0.4204652164054227]
  本研究では,無線ネットワークとモバイルコンピューティング領域におけるトレンド予測のための自動パイプラインを提案する。 このフレームワークはスケーラブルで適応的であり、科学領域全体にわたる堅牢なトレンド分析のために設計されている。 実験結果は高い予測精度を示し、36.76のルート平均角誤差(RMSE)を達成した。
  論文  参考訳（メタデータ） (2026-06-22T17:30:28Z)
• Automatic Causal Fairness Analysis with LLM-Generated Reporting [39.645183687562806]
  我々は,データセットレベルでの公正度分析の自動化を目的としたソフトウェアプロトタイプであるtextscFairMindを紹介する。 我々は、最近Pleko と Bareinboim によって提案された Emphstandard fairness model の仮定に頼ってこれを達成した。
  論文  参考訳（メタデータ） (2026-04-29T10:31:38Z)
• AutoMIA: Improved Baselines for Membership Inference Attack via Agentic Self-Exploration [49.050688065974605]
  メンバーシップ推論攻撃(MIAs)は、機械学習モデルにおけるトレーニングデータの漏洩を評価するための基本的な監査ツールである。 本稿では,自己探索と戦略進化の自動化プロセスとして,メンバーシップ推論を再構築するエージェントフレームワークであるAutoMIAを提案する。
  論文  参考訳（メタデータ） (2026-04-01T15:17:45Z)
• Pre-Hoc Predictions in AutoML: Leveraging LLMs to Enhance Model Selection and Benchmarking for Tabular datasets [4.960830501953278]
  本稿では,AutoMLとpre-hocモデル選択の交点について検討する。 従来のモデルとLarge Language Model (LLM) エージェントを活用することで、AutoML検索スペースを削減できる。 提案されたアプローチは、AutoMLのシフトを提供し、計算オーバーヘッドを大幅に削減するとともに、与えられたデータセットに最適なモデルを選択している。
  論文  参考訳（メタデータ） (2025-10-02T09:37:12Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• auto-sktime: Automated Time Series Forecasting [18.640815949661903]
  本稿では,自動時系列予測のための新しいフレームワークであるauto-sktimeを紹介する。 提案するフレームワークは、自動機械学習(AutoML)技術を使用して、予測パイプライン全体の生成を自動化する。 64種類の実世界の時系列データセットに対する実験結果は、フレームワークの有効性と効率を実証している。
  論文  参考訳（メタデータ） (2023-12-13T21:34:30Z)
• Self-Supervised Representation Learning from Temporal Ordering of Automated Driving Sequences [49.91741677556553]
  本研究では、認識タスクのための地域レベルの特徴表現を事前学習するための時間順述前文タスクであるTempOを提案する。 我々は各フレームを、オブジェクト検出やトラッキングシステムにとって自然な表現である、未順序な特徴ベクトルのセットで埋め込む。 BDD100K、nu Images、MOT17データセットの大規模な評価は、私たちのTempO事前学習アプローチがシングルフレームの自己教師型学習方法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-02-17T18:18:27Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• 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)
• Automatic deep learning for trend prediction in time series data [0.0]
  時系列データのトレンドを予測するためにディープニューラルネットワーク(DNN)アルゴリズムが検討されている。 多くの実世界のアプリケーションでは、時系列データは動的システムから取得される。 モデル開発プロセスを自動化するために,最新のAutoMLツールを効果的に利用する方法を示す。
  論文  参考訳（メタデータ） (2020-09-17T19:47:05Z)
• Fast, Accurate, and Simple Models for Tabular Data via Augmented Distillation [97.42894942391575]
  本研究では、FAST-DADを用いて、任意の複雑なアンサンブル予測を、高木、無作為林、深層ネットワークなどの個々のモデルに抽出する。 我々の個々の蒸留モデルは、H2O/AutoSklearnのようなAutoMLツールが生成するアンサンブル予測よりも10倍高速で精度が高い。
  論文  参考訳（メタデータ） (2020-06-25T09:57:47Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)

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。