MMDec, 2020

自动机器学习的综合框架

PDF
TL;DR这篇综述旨在推广对自动化 / 自主机器学习系统的更广阔视角，并探讨整合各种机制和理论框架的最佳方式。主要介绍超参数优化、多组件模型、神经架构搜索、自动特征工程、元学习、多层集成、动态自适应、多目标评估、资源限制、灵活的用户参与和泛化原则的发展。最终得出结论，建立自动化机器学习系统的架构整合是一个值得更深入探讨的重要问题。
automated machine learningoptimisation techniqueshyperparameter optimisationneural architecture searchautonomous system
发现论文，激发创造
  • 自动机器学习技术的崛起：面向工业应用的高效软件和应用程序调研

    本文综述了现有的自动机器学习工具，包括开源和商业工具，并阐述了一个评估自动机器学习解决方案在实际应用中表现良好的框架，该框架考虑了各方利益和人机交互。此外，通过对学术和商业案例研究的广泛评估和比较，本综述也评估了 AutoML 在 2020 年代初的主流参与度，并确定了加速未来普及的障碍和机遇。

    Nov, 2022

  • 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

  • 将人类从学习应用中剔除：自动化机器学习综述

    本文介绍了 AutoML 问题的定义和解决方案，项目分类和现有工作的审查，并提出了一个 AutoML 框架以减少对人类专家的需求和提高学习性能。

    Oct, 2018

  • 实践中自动化机器学习的通用配方

    自动化机器学习（AutoML）是一个研究领域，专注于开发自动生成机器学习模型的方法。本文提出了一个建立通用 AutoML 系统的参考框架，并通过对该领域主要方法的叙述性回顾，提炼了基本概念以支持其设计，并讨论了 AutoML 应用中的一些未解决问题，以供未来研究参考。

    Aug, 2023

  • 自动机器学习：AutoML 方法和工具的评估和比较

    本文介绍了自动化机器学习技术（AutoML）的研究现状，重点评估了多种 AutoML 工具在不同数据集、不同数据段上的表现和优缺点。

    Aug, 2019

  • AutoML: 现有技术的概述

    本文综述了自动机器学习领域中的最新研究进展，包括数据准备、特征工程、超参数优化和神经架构搜索等方面，并着重探讨了神经架构搜索的性能和发展方向，指出目前自动机器学习领域的存在的问题及未来研究方向。

    Aug, 2019

  • AutoxgboostMC 的多目标自动机器学习

    提出了一种多准则的 AutoML 系统，优化了用户定义的辅助标准，以引导搜索达到最佳的机器学习流程，以此来满足人工智能应用中不同的需求。

    Aug, 2019

  • 评估数据驱动软件工程中自动机器学习的使用

    人工智能和机器学习的广泛应用导致公司难以招聘深入了解这些技术的员工，在此背景下，自动机器学习 (AutoML) 正以一种有希望的解决方案迅速崛起，旨在自动化构建端到端的人工智能 / 机器学习流水线，这通常会由专门的团队成员进行工程设计。本文通过对 12 个端到端自动机器学习工具在两个软件工程数据集上的基准测试和用户调查以及随后的访谈构成的混合方法研究，填补了这些信息缺口，并且发现 AutoML 解决方案可以在软件工程领域的分类任务中生成超过研究人员训练和优化的模型，并且当前可用的 AutoML 解决方案并不能完全支持 ML 开发工作流程的自动化和团队成员的需求。本研究结果为软件工程研究界提供了有关如何利用 AutoML 促进其活动以及工具构建者如何设计下一代 AutoML 技术的见解。

    Jul, 2023

  • 将量子算法引入自动化机器学习：关于 QML 算法可扩展性的自动机器学习框架的系统回顾

    本文描述了选择方法和分析现有的 AutoML 框架，以了解它们将量子机器学习算法纳入自动化求解方法的能力以及通过基准测试解决一组不同机器学习问题类型的工业用例的最重要特征。在此基础上，我们选择了 Ray 和 AutoGluon 作为适用的低级和高级框架，它们满足所有要求并在用例研究中得到了最好的评价反馈。基于这些结果，我们构建了一个扩展的自动量子机器学习（AutoQML）框架，其中包含了硬件和软件约束的 QC 特定的流程步骤和决策特征。

    Oct, 2023

  • 人性化自动机器学习范式的行动呼吁

    自动化机器学习（AutoML）的全面潜力在于解决目前未充分探索的用户与 AutoML 系统的交互方面，包括其不同角色、期望和专业知识，促进未来 AutoML 研究中更加以人为中心的方法，推动紧密整合人类专业知识和自动化机器学习方法的 ML 系统的协作设计。

    Jun, 2024