XiaoMi-AI文件搜索系统
World File Search SystemAutoML
脑电信号分类深度架构优化：使用进化算法的 AutoML 方法
摘要：由于信噪比低且通常存在来自不同来源的伪影，脑电图 (EEG) 信号分类是一项具有挑战性的任务。之前已经提出了不同的分类技术，这些技术通常基于从 EEG 频带功率分布图中提取的一组预定义特征。然而，EEG 的分类仍然是一个挑战，这取决于实验条件和要捕获的反应。在这种情况下，深度神经网络的使用提供了新的机会来提高分类性能，而无需使用一组预定义的特征。然而，深度学习架构包含大量超参数，模型的性能依赖于这些超参数。在本文中，我们提出了一种优化深度学习模型的方法，不仅是超参数，还有它们的结构，该方法能够提出由不同层组合组成的不同架构的解决方案。实验结果证实，通过我们的方法优化的深度架构优于基线方法，并产生计算效率高的模型。此外，我们证明优化的架构相对于基线模型提高了能源效率。
automl在严重约束的应用中
图3压力治疗下的藜麦表皮膀胱细胞（EBC）的一级代谢组分析。通过GC - MS测量了五组分类的64个原代代谢产物，分为五组。 （a）主成分分析（PCA）scoresplot，在所有压力植物的EBC代谢物谱之间显示出相似性和差异。群集以95％的置信度显示。地块由代谢分析家产生。缺水治疗未显示，因为不能仅对两个生物学重复进行统计分析。（b）条形图代表改变代谢物的百分比，数量，每个类别和压力治疗。（c）原代代谢产物的log2倍变化，用于热，冷和高光处理的藜麦植物。折叠的变化是通过将经压力处理的植物的浓度划分为6天后的对照植物的浓度，然后对对照植物的浓度进行计算。差异的显着性是通过Benjamini和Hochberg方法确定的，具有错误的发现率（FDR）调整为.05为.05为截止值，并由asteriks标记。橙色显着下降，绿色显着增加。有三种生物学重复（n = 3）。数据代表了两个实验重复[可以在wileyonlinelibrary.com上查看颜色图]
人类与自动化机器学习系统交互的角色和模式
随着自动化机器学习 (AutoML) 系统在复杂程度和性能方面不断进步，了解这些框架中人机交互 (HCI) 的“如何”和“为什么”变得非常重要，包括当前的和预期的。这样的讨论对于最佳系统设计是必要的，利用先进的数据处理能力来支持涉及人类的决策，但它也是识别不断提高的机器自主性水平所带来的机遇和风险的关键。在此背景下，我们重点关注以下问题：(i) 对于最先进的 AutoML 算法来说，HCI 目前是什么样子，特别是在开发、部署和维护阶段？(ii) AutoML 框架内对 HCI 的期望是否因不同类型的用户和利益相关者而异？(iii) 如何管理 HCI，以便 AutoML 解决方案获得人类的信任和广泛接受？(iv) 随着 AutoML 系统变得更加自主并且能够从复杂的开放式环境中学习，HCI 的基本性质会发生变化吗？为了考虑这些问题，我们将 HCI 中的现有文献投射到 AutoML 领域；到目前为止，这种联系基本上还没有得到探索。为此，我们回顾了包括用户界面设计、人为偏见缓解和对人工智能 (AI) 的信任等主题。此外，为了严格衡量 HCI 的未来，我们考虑了 AutoML 如何在有效开放的环境中体现。这
迈向绿色自动化机器学习：现状和未来方向
自动化的机器学习（AUTOML）努力自动配置Ma-Chine Learning算法及其组合成整体（软件）解决方案（一种机器学习管道），这是针对手头学习任务（数据集）量身定制的。在过去的十年中，Automl已发展为具有数百个贡献的独立研究领域。同时，AutoML因其高度消耗的高度消耗而受到批评，因为许多方法都依赖于许多机器学习管道的（昂贵）评估，以及许多数据集和方法上昂贵的大规模实验。本文以绿色AI的最新作品精神，提出了绿色Automl，这是使整个汽车过程更加环保的范式。因此，我们首先详细介绍了如何量化汽车工具的环境足迹。之后，如何设计和基准Automl工具W.R.T.的不同策略不同总结了他们的“绿色”，即可持续性。最后，我们详细阐述了如何对环境足迹保持透明，以及哪些研究激励措施可以指导社区朝着更可持续的汽车研究方向指导。作为其中的一部分，我们建议将可持续的清单附加到每个汽车纸上，其中包含绿色汽车的所有核心方面。
自动化机器学习：工具和技术的调查
* Tian，Juchi是电子邮件：juchi0905@gmail.com摘要：自动化机器学习（AUTOML）通过自动化复杂且耗时的任务（例如数据预处理，模型选择，模型选择和超参数调谐），彻底改变了机器学习领域。本研究探讨了六种广泛使用的汽车工具的功能，局限性和实际应用：自动 - 扫描，TPOT，H2O.AI，Google Cloud Automl，Microsoft Azure Automl和Amazon Sagemaker Autopilot。通过评估各种数据集中的这些工具（列出表格数据，时间序列，图像分类和文本情感分析），该研究突出了它们的预测性能，计算效率，可扩展性和解释性。专有工具通过云集成证明了卓越的可扩展性和效率，而开源平台则提供了更多的解释性和灵活性。然而，诸如先进神经结构搜索机制缺乏透明度的挑战和包括缓解偏见在内的道德考虑因素仍然很普遍。本研究得出的结论是，尽管汽车工具大大降低了机器学习进入的障碍，但仍需要进行持续的进步才能平衡性能，可用性和道德标准，从而使Automl成为现实世界应用程序的整体解决方案。
人类与自动化机器学习系统交互的角色和模式：评论与观点
随着自动化机器学习 (AutoML) 系统在复杂程度和性能方面不断进步，了解这些框架中人机交互 (HCI) 的“方式”和“原因”变得非常重要，无论是当前的还是预期的。这样的讨论对于最佳系统设计是必要的，利用先进的数据处理能力来支持涉及人类的决策，但它也是识别不断提高的机器自主性水平所带来的机遇和风险的关键。在此背景下，我们重点关注以下问题：(i) 目前，对于最先进的 AutoML 算法来说，HCI 是什么样子的，特别是在开发、部署和维护阶段？(ii) 不同类型的用户和利益相关者对 AutoML 框架内 HCI 的期望是否不同？(iii) 如何管理 HCI，以便 AutoML 解决方案获得人类的信任和
人工智能驱动的商业分析决策
图 1. H2O AutoML 框架训练多个基础学习器，并在后续步骤中将它们与两个不同的超级学习器相结合。一个超级学习器基于所有之前训练过的分类器，另一个仅考虑每个 ML 系列（LR、RF、GBM、DL）的最佳分类器。H2O AutoML 根据所选评估指标自动对结果进行排名。
自动化机器学习 - Strathprints
人们意识到在当今快节奏和竞争极其激烈的市场中，人工智能驱动的决策是不可或缺的，这极大地提高了人们对工业机器学习 (ML) 应用的兴趣。目前对分析专家的需求远远超过供应。解决这个问题的一个方法是提高 ML 框架的用户友好性，使非专家更容易使用它们。自动化机器学习 (AutoML) 试图通过提供完全自动化的现成模型选择和超参数调整解决方案来解决专业知识问题。本文分析了 AutoML 在商业分析应用方面的潜力，这有助于提高 ML 在所有行业的采用率。在三个真实数据集上，H2O AutoML 框架与手动调整的堆叠 ML 模型进行了基准测试。手动调整的 ML 模型在实验中使用的所有三个案例研究中都可以达到性能优势。尽管如此，H2O AutoML 包被证明是相当强大的。它速度快、易于使用，并且提供可靠的结果，接近专业调整的 ML 模型。H2O AutoML 框架目前的功能是支持快速原型设计的宝贵工具，可以缩短开发和部署周期。它还可以弥合 ML 专家的现有供需差距，是朝着业务分析自动化决策迈出的一大步。最后，AutoML 有可能在快速变得更加自动化和数字化的世界中促进人类赋权。
基于深度学习的恶意软件检测的自动化机器学习
深度学习（DL）已被证明在检测不断发展的复杂恶意软件方面具有有效性。，尽管深度学习减轻了功能工程问题，从而找到了最佳的DL模型的体系结构和一组超参数，但仍然是一个需要领域专业知识的挑战。此外，许多提出的最新模型非常复杂，可能不是不同数据集的最佳选择。一种有希望的方法，即自动化机器学习（AUTOML），可以通过自动化ML管道密钥组件（即超参数优化和神经架构搜索（NAS））来减少开发自定义DL模型所需的域专业知识。Automl减少了设计DL模型所涉及的人类反复试验的数量，在最近的实现中，可以找到具有相对较低计算开销的新模型体系结构。对使用汽车进行恶意软件检测的可行性的研究非常有限。这项工作提供了全面的分析和有关将AUTOML用于静态和在线恶意软件检测的见解。对于静态，我们的分析是在两个广泛使用的恶意软件数据集上进行的：Sorel-20m，以在大型数据集上演示效率；和Ember-2018，这是一个较小的数据集，该数据集特定于策划，以阻碍机器学习模型的性能。此外，我们还显示了调整NAS过程参数的效果，以在这些静态分析数据集中找到更佳的恶意软件检测模型。此外，我们还证明了Automl是在线恶意软件检测方案中使用卷积神经网络（CNN）的云IAAS的表现。我们使用新生成的在线恶意软件数据集将AutoML技术与六个现有的最先进的CNN进行了比较，而在恶意软件执行期间，有或没有其他应用程序在后台运行。我们表明，与最先进的CNN相比，汽车技术的性能更高，而在架构上很少有开销。一般而言，我们的实验结果表明，基于汽车的静态和在线恶意软件检测模型的性能比文献中介绍的最先进的模型或手工设计的模型在标准杆上甚至更好。
重新思考人工智能人才战略作为自动化机器......
不当使用 AutoML 的公司——其中最严重的问题是，当 AutoML 在其专业范围之外使用时，可能会产生错误的输出、未发现的偏见以及缺乏可解释性。正是这些危险引起了数据科学界的担忧。但是，如果组织能够注意到这些问题，并就 AutoML 的潜力与数据科学家进行公开讨论，那么他们不仅能够更好地应对当前的人才缺口，还能让数据科学家腾出时间去做他们真正感兴趣的任务。在前面提到的制造公司，数据科学家很高兴他们不再需要在当地工厂运行每一项标准化任务，而是可以专注于真正需要他们深厚专业知识的任务。