AutoXPCR: 自动化多目标模型选择的时间序列预测
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
auto-sktime 是一个自动化的时间序列预测框架,利用自动机器学习技术来自动构建整个预测流程,针对时间序列数据提出了三项改进,实验结果显示了它的有效性和效率。
Dec, 2023
应用自动化的机器学习(AutoML)方案代替手动创建的机器学习管道,结合公司的领域知识进行价格预测的工业需求研究,展示了 AutoML 导致的小型和中型企业对机器学习专家的依赖减弱的可能性。
Apr, 2023
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
本文提出了一种元学习方法,利用先前的元数据自动搜索高性能的机器学习管道以完成模型选择和超参数优化,该方法结合自适应贝叶斯回归模型、神经网络基函数和贝叶斯优化的收获函数,能够在监督分类数据集上高效地搜索预定义的候选管道,实验结果表明,该方法在一系列测试数据集上能够快速确定高性能的机器学习管道,并胜过基线方法。
Apr, 2019
我们提出了一种基于采样的 AutoML 方法,主要关注神经结构搜索和超参数优化,用于解决在构建大规模容量模型时的元规模生产中的挑战。我们的方法通过使用轻量级基于预测器的搜索器和强化学习来探索广泛的搜索空间,显著减少了模型评估的数量,在 CTR 和 CVR 应用的大容量建模实验中表现出杰出的投资回报率(ROI),相对于人工调优的基准,通过从精选的搜索空间中平均抽样一百个模型,达到高达 0.09% 的归一化熵(NE)损失减少或 25% 的每秒查询量(QPS)增加。我们的 AutoML 方法已经在实际应用中取得了成效,在 Instagram CTR 模型的大规模在线 A/B 测试中达到了高达 - 0.36% 的 NE 增益(相比现有的生产基准),并显示出统计上的显著改进。这些生产结果证明了 AutoML 的功效,并加速了它在 Meta 排名系统中的采用。
Nov, 2023
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
本文提出一种应用于时间序列回归模型的 XAI 方法的关键性和比较式修订,以探索这些方法的有效性,并比较它们之间的性能差异,结果表明 GRAD-CAM 是最强大的方法。
Mar, 2023
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
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