Oct, 2022

AutoML 用于气候变化：行动号召

PDF
TL;DR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。
climate change aiautomated machine learningspatiotemporal dataperformancefuture work
发现论文，激发创造
  • 人工智能加速云 (ACAI)

    提出了一种基于云端的机器学习平台 ACAI，通过实现云端存储、自动资源配置、日志记录和实验追踪等功能，提高了机器学习从业人员的工作效率。在 MNIST 手写数字分类任务上测试了自动资源配置器的效力，并通过实验和访谈研究了系统的可用性。结果显示，自动资源配置器提高了 1.7 倍的速度和 39％的成本降低，并在典型的机器学习应用中减少了 20％的实验时间。

    Jan, 2024

  • 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

  • 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

  • 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

  • 大型语言模型对气候变化的影响

    这篇论文提出了一个自动评估框架，通过综合指标评估大型语言模型在应对气候危机方面的知识，并发现现有大型语言模型的知识在时效性方面存在不足。

    Dec, 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

  • 预测行动的人工智能：超越气候预报

    灾难应对机构已从气候预测范式向预测行动范式转变，评估的不仅是气候情况，更是其对特定人群的影响，从而实现主动响应和资源分配。机器学习模型在气候预测方面变得异常强大，但在促进预测行动方面仍存在方法论上的差距。在本研究中，我们概述了预测行动，回顾了机器学习的相关应用，确定了共同的挑战，并强调了机器学习在推进对气候变化最脆弱人群的灾难应对方面的独特贡献领域。

    Jul, 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

  • 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

  • 利用机器学习应对气候变化

    介绍了机器学习如何在减少温室气体排放和帮助社会适应气候变化方面发挥重要作用。提出了许多合作机会和有前途的商业机会，并呼吁机器学习社区为应对气候变化加入全球行动。

    Jun, 2019