Mar, 2018

Autostacker: 一种组合进化学习系统

PDF
TL;DRAutostacker 是一种基于 Evolutionary Algorithm 的自动机器学习建模架构，通过创新的分层堆叠结构快速演化候选流水线，从而找到机器学习模型的创新组合和结构，而无需事先了解数据或特征预处理。与其他自动机器学习系统相比，在 15 个数据集上，Autostacker 在测试准确性和时间成本方面均实现了领先或竞争性的表现。
发现论文，激发创造
  • 深度学习的进化神经自动机器学习

    本文介绍一种名为 LEAF 的进化型 AutoML 框架，不仅优化超参数，而且还优化网络架构和大小，实验结果表明优化网络架构比优化超参数显著提高了性能，并且可以在保持性能的情况下最小化网络。LEAF 因此为普及和改进 AI，以及使 AI 在未来的应用中变得实用提供了基础。

    Feb, 2019

  • 从零开始进化机器学习算法的 AutoML

    本文旨在通过引入一个新颖的框架，展示 AutoML 可以进一步通过基本数学运算作为构建块自动发现完整的机器学习算法，从而大大减少人类偏见，并通过演化搜索不同类型的任务来适应算法。

    Mar, 2020

  • AlphaD3M: 机器学习流程合成

    本文介绍了基于元强化学习使用序列模型自我训练的 AlphaD3M 自动机器学习系统。与 Autosklearn、Autostacker 和 TPOT 等最先进的 AutoML 系统相比，AlphaD3M 具有相当的性能优势并且具有可解释性，其计算时间从几小时缩短为几分钟。

    Nov, 2021

  • 图神经网络的进化架构搜索

    本研究提出了一种新的自动化机器学习（AutoML）框架，通过演化图神经网络（GNN）模型来寻找最合适的结构和学习参数，并在半监督和归纳式节点表示学习和分类任务上展示它的性能。

    Sep, 2020

  • 使用基于模型的强化学习和语法合成进行管道合成的自动化机器学习

    AlphaD3M 使用自我博弈的强化学习实现 AutoML 并创造最新状态，之后通过运用管道语法和预训练模型进一步改进，取得了 AutoML 分类和回归任务基准数据集方面的表现优于现有方法的结果。

    May, 2019

  • Auto-Meta: 自动化基于梯度的元学习搜索

    研究表明，自动化架构搜索与基于梯度的元学习相结合，能够优化元学习器，使用此技术，预测准确率提高了 11.54%，在五次样本五种类的迷你图像分类问题中，最终的元学习器达到了 74.65％的准确率，是目前最先进的结果之一，也是在元学习背景下第一个成功的神经架构搜索。

    Jun, 2018

  • 自动分量提升：可解释性自动机器学习系统

    提出了一种 AutoML 系统，其构建了可解释的加法模型，使用高度可扩展的分量提升算法进行拟合，提供了易于模型解释的工具，并且在预测性能上与其他基于 AutoML 比较系统相媲美，更易于使用和透明。

    Sep, 2021

  • AutoMMLab：自然语言指令生成计算机视觉任务的可部署模型

    AutoMMLab 是一个通用的、基于 LLM（语言模型）驱动的 AutoML 系统，通过用户友好的语言界面，自动化计算机视觉任务的整个模型生产流程，并利用 LLM 作为桥梁连接 AutoML 和 OpenMMLab 社区，使非专家个体能够轻松构建特定任务的模型。

    Feb, 2024

  • 局限严重应用中的自动机器学习

    本文提出了一种名为 Caml 的元学习方法，可以自动适应其自身 AutoML 参数，以优化特定任务的高性能管道，并可以考虑用户定义的应用约束条件，以获得满足约束条件的高预测性能的管道。

    Jun, 2023

  • 自动化机器学习：业务分析中的 AI 决策

    本文分析了自动机器学习在企业分析应用中的潜力，并将 H2O AutoML 框架与手工调整的 ML 模型在三个真实数据集上进行了基准测试，发现 H2O AutoML 框架快速、易用、可靠，表现接近手工调优的 ML 模型，是一个有价值的工具，能够支持快速原型设计，缩短开发和部署周期，并能够弥合 ML 专家供需之间的差距。

    May, 2022