自动分量提升:可解释性自动机器学习系统
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
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
研究提出了 XAutoML,一种与 JupyterLab 整合的交互式可视化分析工具,结合可解释的人工智能(XAI)技术,使完整的自动机器学习(AutoML)过程透明且可解释,并在用户研究中证明了其对自动机器学习流程的理解和优化的贡献。
Feb, 2022
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
本文提出了一种基于梯度提升和自动超参数调整的自动机器学习框架 (autoxgboost),与目前的 AutoML 项目进行了比较,并在 16 个数据集上取得了可比较的结果和两个最佳表现。
Jul, 2018
评估和比较了六种流行的自动机器学习框架在 100 个数据集上的性能,并考虑了时间预算、搜索空间大小、元学习和集成构建等因素对比较的影响,结果揭示了多种有趣的见解。
Apr, 2022
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
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。
Dec, 2020
本研究通过对 19 名 AutoML 用户进行半结构化访谈,发现用户在实际应用中需要面对可定制性、透明度和隐私等方面的限制,并采取一定策略来应对,最终对 AutoML 的使用产生影响。研究结果提出了未来开发 AutoML 解决方案的设计建议。
Feb, 2023