論文の概要: Evolving Executable Pipeline Programs for AutoML with Language Models

• arxiv url: http://arxiv.org/abs/2608.16416v1
• Date: Mon, 17 Aug 2026 11:15:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.656825
• Title: Evolving Executable Pipeline Programs for AutoML with Language Models
• Title（参考訳）: 言語モデルによるAutoMLのための実行可能なパイプラインプログラムの進化
• Abstract要約: LACEは、完全なパイプラインプログラムを検索するAutoMLフレームワークである。 進化ループは、シキトラーン互換のPythonクラスの集団を維持し、大きな言語モデルが変分演算子として機能する。 すべての候補が通常のPythonであるため、返されるパイプラインと生成された検索を直接検査し、編集することができる。
• 参考スコア（独自算出の注目度）: 6.598013423021166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated machine learning (AutoML) systems search for pipelines within a space of preprocessing operators, learners, and hyper-parameters specified in advance: they can select and tune known components, but cannot produce structure outside that space. We present LACE, an AutoML framework that instead searches over complete executable pipeline programs: an evolutionary loop maintains a population of scikit-learn-compatible Python classes, and a large language model acts as the variation operator. To our knowledge, LACE is the first to formulate general tabular pipeline AutoML this way, evaluated on standardized OpenML tasks under a leakage-controlled protocol that withholds dataset identity from the generator. Because every candidate is ordinary Python, the returned pipeline and the search that produced it can be inspected and edited directly, rather than only through a framework's model objects. On 68 OpenML classification tasks, LACE with GPT-5.4-mini significantly outperforms auto-sklearn, H2O, and a fixed XGBoost baseline, with no detectable difference against AutoGluon, the strongest search-based system evaluated, while covering the full benchmark. Newer tabular foundation models are more accurate on the subset of tasks they support, but apply a fixed pretrained predictor rather than returning an editable task-specific program. LACE's contribution is therefore not raw accuracy but a search space defined by code: complete coverage, pipelines practitioners can reuse directly, and a component set extended by editing the prompt rather than the framework.
• Abstract（参考訳）: 自動機械学習(AutoML)システムは、事前に定義された前処理演算子、学習者、ハイパーパラメータの空間内のパイプラインを探索する。 進化ループは、シキトラーン互換のPythonクラスを多数保持し、大きな言語モデルが変動演算子として機能する。 我々の知る限り、LACEは、ジェネレータからデータセットのアイデンティティを保持できるリーク制御プロトコルの下で、標準化されたOpenMLタスクに基づいて評価された一般的なタブパイプラインAutoMLを、この方法で公式化した最初のものである。 すべての候補が通常のPythonであるため、返されるパイプラインと、それを生成した検索は、フレームワークのモデルオブジェクトだけでなく、直接検査し、編集することができる。 68のOpenML分類タスクにおいて、GPT-5.4-miniのLACEはオートスクリル、H2O、固定されたXGBoostベースラインよりも大幅に優れており、フルベンチマークをカバーしながら評価された最強の検索ベースシステムであるAutoGluonと検出可能な差はない。 新しい表形式の基礎モデルは、サポートするタスクのサブセットでより正確であるが、編集可能なタスク固有のプログラムを返すのではなく、固定された事前訓練された予測子を適用する。 完全なカバレッジ、パイプラインの実践者が直接再利用できること、フレームワークではなくプロンプトを編集することによって拡張されるコンポーネントセットである。

関連論文リスト

• stratum: A System Infrastructure for Massive Agent-Centric ML Workloads [8.123450153690424]
  大規模言語モデル(LLM)は、完全な機械学習(ML)パイプラインを生成し、検証し、最適化する。 既存のPythonベースのMLエコシステムは、Panda scikit-learnのようなライブラリを中心に構築されている。 パイプライン実行を計画と推論から分離する統合システムインフラストラクチャである Stratum を提案する。
  論文  参考訳（メタデータ） (2026-03-03T23:43:12Z)
• SOPBench: Evaluating Language Agents at Following Standard Operating Procedures and Constraints [59.645885492637845]
  SOPBenchは、各サービス固有のSOPコードプログラムを実行可能な関数の有向グラフに変換する評価パイプラインである。 提案手法では,各サービス固有のSOPコードプログラムを実行可能関数の有向グラフに変換し,自然言語SOP記述に基づいてこれらの関数を呼び出しなければならない。 我々は18の先行モデルを評価し、上位モデルでさえタスクが困難であることを示す。
  論文  参考訳（メタデータ） (2025-03-11T17:53:02Z)
• 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)
• forester: A Tree-Based AutoML Tool in R [0.0]
  ForesterはオープンソースのAutoMLパッケージで、Rで実装され、高品質なツリーベースのモデルをトレーニングする。 バイナリとマルチクラスの分類、回帰、部分生存分析タスクを完全にサポートする。 データ品質に関する問題を検出し、前処理パイプラインを準備し、ツリーベースのモデルのトレーニングとチューニングを行い、結果を評価し、さらなる分析のためにレポートを作成することができる。
  論文  参考訳（メタデータ） (2024-09-07T10:39:10Z)
• Verbalized Machine Learning: Revisiting Machine Learning with Language Models [63.10391314749408]
  言語化機械学習(VML)の枠組みを紹介する。 VMLはパラメータ空間を人間の解釈可能な自然言語に制限する。 我々は,VMLの有効性を実証的に検証し,VMLがより強力な解釈可能性を実現するためのステップストーンとして機能することを期待する。
  論文  参考訳（メタデータ） (2024-06-06T17:59:56Z)
• SubStrat: A Subset-Based Strategy for Faster AutoML [5.833272638548153]
  SubStratは、設定スペースではなく、データサイズに取り組むAutoML最適化戦略である。 既存のAutoMLツールをラップし、データセット全体を直接実行する代わりに、SubStratは遺伝的アルゴリズムを使用して小さなサブセットを見つける。 その後、小さなサブセットにAutoMLツールを使用し、最後に、大きなデータセット上で制限された、はるかに短いAutoMLプロセスを実行することで、結果のパイプラインを洗練する。
  論文  参考訳（メタデータ） (2022-06-07T07:44:06Z)
• SapientML: Synthesizing Machine Learning Pipelines by Learning from Human-Written Solutions [28.718446733713183]
  既存のデータセットとその人手によるパイプラインのコーパスから学習できるAutoML SapientMLを提案する。 我々は、170のデータセットにまたがる1094のパイプラインのトレーニングコーパスを作成し、41のベンチマークデータセットでSapientMLを評価した。 我々の評価によると、SapientMLは27のベンチマークでベストまたは同等の精度で、第2のツールでは9のインスタンスでパイプラインを生成できない。
  論文  参考訳（メタデータ） (2022-02-18T20:45:47Z)
• VolcanoML: Speeding up End-to-End AutoML via Scalable Search Space Decomposition [57.06900573003609]
  VolcanoMLは、大規模なAutoML検索スペースを小さなものに分解するフレームワークである。 最新のデータベースシステムでサポートされているような、Volcanoスタイルの実行モデルをサポートしている。 評価の結果,VolcanoMLは,AutoMLにおける検索空間分解の表現性を向上するだけでなく,分解戦略の実際の発見につながることが示された。
  論文  参考訳（メタデータ） (2021-07-19T13:23:57Z)
• PyGlove: Symbolic Programming for Automated Machine Learning [88.15565138144042]
  シンボリックプログラミングに基づくAutoMLの新しいプログラミング方法を紹介します。 このパラダイムでは、MLプログラムは変更可能であるため、他のプログラムで簡単に操作できます。 PyGloveユーザーは、静的プログラムを検索空間に簡単に変換し、検索空間と検索アルゴリズムをすばやく繰り返し、複雑な検索フローを作成できることを示しています。
  論文  参考訳（メタデータ） (2021-01-21T19:05:44Z)
• Evolution of Scikit-Learn Pipelines with Dynamic Structured Grammatical Evolution [1.5224436211478214]
  本稿では、動的構造文法進化(DSGE)をScikit-Learn分類パイプラインの進化に適応させる新しい文法ベースのフレームワークについて述べる。 実験結果は、AutoML-DSGEを他の文法ベースのAutoMLフレームワークであるResilient ClassificationPipeline Evolution (RECIPE)と比較することを含む。
  論文  参考訳（メタデータ） (2020-04-01T09:31:34Z)
• 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)

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。