- 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 - 自动机器学习在心血管疾病检测中的效果研究
发展和应用以患者为导向的系统中,机器学习作为一种有前途的技术能够预测心血管疾病,本研究使用自动化机器学习和三个场景探索了检测心血管疾病的有效性,结果显示自动化机器学习模型的结构不仅取决于基本模型的效率和准确性,还取决于数据的预处理技术,尤其 - 使用 AutoML 和决策森林预测印度低级法院的延迟
利用案件信息预测印度下级法院延迟的分类模型,精确度为 81.4%,证明了 AI 模型在印度法院预测延迟方面的可行性,并讨论了相关文献的结果,提出了改进和未来研究的方向
- 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 - 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。
- 大语言模型时代的 AutoML:现有挑战、未来机遇和风险
本文探索了自然语言处理和自动化机器学习之间的共生关系,重点关注了 LLMs 能为 AutoML 方法提供的机会,以及 AutoML 对于改进 LLMs 所带来的挑战,目的在于促进两个领域更深入的探索。
- 基于语义的神经网络修复
本文提出了一种通过基于深度学习层的可执行语义来自动修复神经网络错误的方法,该方法专注于四种实践中常见的错误类型,并通过实验验证了该方法的有效性和高效性。
- 医学影像的自动化机器学习系统
该研究探讨了机器学习和自动化机器学习在医学图像分析中的应用,通过使用神经架构搜索和迁移学习等技术来改善人类专家和计算机系统的诊断准确性。
- 强化学习中的超参数及其调整方法
本论文旨在提高深度强化学习的可重复性,通过比较多个 HPO 工具,展示了 HPO 方法通常具有更高的性能和更低的计算开销,并提出采用从 AutoML 中建立的最佳实践,以及在广泛的搜索空间内进行原则性的 HPO。最终,论文推荐了一套适用于 - AutoML 的深度管道嵌入
本文提出一种新的神经架构,将 Machine Learning pipeline 的组件嵌入到潜在表示中,通过 Bayesian Optimization 机制中的深度内核高斯过程模型在 meta-datasets 上搜索优化最优的 pip - 自动化机器学习方法在价格预测应用中的基准测试
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。
- MLCopilot: 大型语言模型在解决机器学习任务中的应用
本文介绍了一种利用 LLMs 自动学习生成机器学习解决方案的框架 MLCopilot,旨在将机器智能与人类知识相结合来提高解决新任务的能力,生成的解决方案可以直接应用于实际环境中。
- eTOP: 用于 AutoML 系统快速训练的管道提前终止技术
本文介绍了一种基于 AutoML 框架的 eTOP 框架,该框架可以决定在执行到 Pipeline 中的哪个步骤时停止计算以加快训练时间,该框架同时还减少了与 MLBox4 结合使用时的计算资源消耗。
- 通过激活函数发现和自动权重初始化优化神经网络
该论文介绍了发现更强大的激活函数和建立更稳健的神经网络权重初始化的技术,改进了 AutoML 的性能,提供了神经网络优化的新视角,使自动机器学习有了更进一步的发展。
- 深度学习在质数可除性方面的应用
本研究测试多个深度学习架构和特征工程方法,评估了使用有限整数(< 2^32)除以小质数的情况,提出一种基于傅里叶级数基向量的闭合解决方案,并且证明了自动机器学习(AutoML)流程需要适当的特征工程来处理该问题。同时,我们的结果表明,即使在 - ICLR自然语言规格说明到数学程序的综合
研究评估了使用数据增强、后处理和代码生成模型 CodeT5 合成数学程序的效果,通过应用线性规划规则来评分和纠正光束,该方法基于自然语言规范实现自动化建模。实验结果表明,在使用这些增强方法后,CodeT5 基础版本的执行准确率为 0.73, - ICLRAutoTransfer: 自动机器学习的知识迁移 —— 应用于图神经网络
AutoTransfer: 提出了一种 AutoML 的解决方案,它通过将先前的架构设计知识转移到新的任务,从而提高搜索效率,并在图机器学习领域的六个数据集上进行评估。
- 野外 AutoML: 障碍、解决方案和期望
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 - 应用深度学习中的开放问题
本文探讨了如何通过双层优化问题来优化机器学习机制,并讨论了如何通过自动机器学习(AutoML)等方法来减少迭代步骤的计算成本,以及减少开发人工智能算法的碳足迹。作者还提出了在不同领域中解决这些问题的方法。
- 多目标树结构 Parzen 估计器遇见元学习
本文介绍了一种新的算法,通过任务相似性来加速多目标超参数优化 (MO-TPE)。研究表明该算法可在表格 HPO 基准测试中加速 MO-TPE, 同时获得了 AutoML 2022 比赛的第一名。