ICMLJun, 2022

DeepCAVE: 用于自动化机器学习的交互式分析工具

PDF
TL;DRDeepCAVE 是一个交互式框架，旨在分析和监测 AutoML 的最新优化过程，提高 AutoML 的透明度，为用户建立信任，并为用户提供自动生成的文本、表格和图形可视化，重点关注离群值检测问题。
automated machine learninghyperparametersneural architecturestransparencydeepcave
发现论文，激发创造
  • XAutoML：用于理解和验证自动化机器学习的可视化分析工具

    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

  • GPT 用于半自动化数据科学：介绍 CAAFE 进行上下文感知的自动特征工程

    通过利用大型语言模型，提出了 Context-Aware Automated Feature Engineering（CAAFE）方法，该方法可以在表格数据集中生成语义相关的功能。通过将此方法应用于 14 个数据集，可以提高 11 个数据集的性能并提供有价值的见解。

    May, 2023

  • 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

  • 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：最新技术和未解决的挑战

    本文研究机器学习中的自动化算法选择与超参数调整问题，以及 AutoML 流程的其他步骤，总结现有技术与工具，探讨未来研究方向和挑战。

    Jun, 2019

  • 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

  • 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

  • AutoML 用于气候变化：行动号召

    本文讨论气候变化人工智能的应用，评估了自动机器学习技术在三个高影响的气候变化应用领域的性能，并发现当前的自动机器学习库未能显著超越人设计的模型，但存在一些关键弱点，其中之一是当前大部分自动机器学习技术都是为计算机视觉和自然语言处理应用设计的，所以需要开发出为时空数据设计的搜索空间来寻找新的架构，从而提高性能。为此，作者呼吁自动机器学习社区开展未来工作的具体方向，并发布了代码和一系列资源。

    Oct, 2022

  • DREAM: 自动机器学习流程的调试和修复

    深度学习模型已成为现代软件系统中的一个整合组件。研究人员提出了自动化机器学习（AutoML）系统以应对模型设计的挑战，并发现现有的 AutoML 系统存在两个常见和严重的 bug：性能 bug 和无效的搜索 bug。为了解决这些问题，他们设计实现了 DREAM，一个用于自动修复 AutoML 系统 bug 的自动化调试和修复系统。实验结果表明 DREAM 能够有效高效地修复 AutoML 的 bug。

    Dec, 2023

  • STREAMLINE: 一个简单、透明、端到端自动化机器学习管道，促进数据分析和算法比较

    STREAMLINE 是一个简单、透明、端到端的自动化机器学习 (pipeline)，旨在比较数据集、机器学习算法和其他 AutoML 工具的性能，在数据处理、模型比较方面提供一个全面和一致的基准。

    Jun, 2022