Meta-aprendizaje para AutoML heterogéneo
DOI:
https://doi.org/10.5281/zenodo.14164788Palabras clave:
aprendizaje de máquina, AutoML, meta-aprendizaje, MSC 68, MSC 68T05, MSC 68T30Resumen
El aprendizaje de máquina automatizado (AutoML) es un área de la Inteligencia Artificial en auge, aunque enfrenta varios desafíos. Este proceso puede ser lento e ineficiente computacionalmente. El meta-aprendizaje, que consiste en aprender de experiencias pasadas mediante algoritmos aplicados a diversos tipos de datos, puede mejorar AutoML al identificar los mejores algoritmos para problemas específicos, acelerando así el proceso y mejorando los resultados. Esta investigación propone una estrategia de meta-aprendizaje para dominios genéricos de aprendizaje automático, capaz de abordar una variedad amplia de problemas mediante la selección de características adecuadas. Se utiliza AutoGOAL como complemento para AutoML, ya que ofrece soluciones efectivas en múltiples dominios y permite crear flujos de algoritmos que generan una base de conocimientos útil para el meta-aprendizaje. El enfoque facilita la adquisición de conocimiento a partir de la ejecución de distintos problemas en AutoGOAL y evalúa el rendimiento de los flujos de algoritmos correspondientes. Con esta información, se desarrolla un modelo que ayuda a descartar flujos inadecuados para futuros problemas. Los resultados experimentales indican que esta estrategia puede reducir significativamente el tiempo de ejecución en AutoGOAL, permitiendo identificar rápidamente flujos erróneos.
Descargas
Citas
Drori, I., Y. Krishnamurthy, R. Rampin, R. de Paula Lourenco, J. Piazentin Ono, K. Cho, C. Silva, and J. Freire: Alphad3m: Machine learning pipeline synthesis, 2021. https://arxiv.org/abs/2111.02508.
Estevanell Valladares, E.L.: AutoGOAL, un sistema de Auto-ML Heterogéneo. Tesis en opción al grado de Licenciado en Ciencia de la Computación, Facultad de Matemática y Computación, Universidad de La Habana, 2020.
Finn, C., T. Yu, Zhang T., P. Abbeel, and S. Levine: Oneshot visual imitation learning via meta-learning, 2017. https://arxiv.org/abs/1709.04905.
Garg, V.K.: Supervising Unsupervised Learning. 2018. https://proceedings.neurips.cc/paper/2018/file/72e6d3238361fe70f22fb0ac624a7072-Paper.pdf.
Komer, Brent: Hyperopt-Sklearn: Automatic Hyperparameter Configuration for Scikit-Learn. 2013. https://conference.scipy.org/proceedings/scipy2014/komer.html.
LeDell, E.: H2O AutoML: Scalable Automatic Machine Learning. 2020. https://api.semanticscholar.org/CorpusID:221338558.
Mohr, R.F.: ML-Plan: Automated machine learning via hierarchical planning. 2018. https://link.springer.com/content/pdf/10.1007/s10994-018-5735-z.pdf.
Nguyen, B.D.: Overcoming data limitation in medical visual question answering. 2019. https://link.springer.com/chapter/10.1007/978-3-030-32251-9_57.
Nick, E., J. Mueller, A. Shirkov, H. Zhang, P. Larroy, M. Li, and A. Smola: AutoGluon-Tabular: Robust and Accurate AutoML for Structured Data. arXiv preprint arXiv:2003.06505, 2020. https://arxiv.org/abs/2003.06505.
Olson, R.S.: TPOT: A Tree-based Pipeline Optimization Tool for Automating Machine Learning. 2016. https://link.springer.com/content/pdf/10.1007/978-3-030-05318-5_8.pdf.
Thornton, C.: Auto-WEKA: combined selection and hyperparameter optimization of classification algorithms.2013. https://dl.acm.org/doi/10.1145/2487575.2487629.
Truger, F., J. Barzen, M. Bechtold, M. Beisel, F. Leymann, A. Mandl, and V. Yussupov: Warm-Starting and Quantum Computing: A Systematic Mapping Study. ACM Computing Surveys, 56:1–31, 2023. https:
//api.semanticscholar.org/CorpusID:257482369.
Publicado
Versiones
- 2024-11-20 (3)
- 2024-11-14 (2)
- 2024-11-14 (1)
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Lia de la Concepción Zerquera Ferrer, Alberto Fernández Oliva, Alejandro Piad Morffis, Suilan Estévez Velarde
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Esta licencia permite copiar y redistribuir el material en cualquier medio o formato bajo los siguientes términos: se debe dar crédito de manera adecuada, no se puede hacer uso del material con propósitos comerciales, y si remezcla, transforma o crea a partir del material, no podrá distribuir el material modificado. Bajo la licencia mencionada, los autores mantienen los derechos de autor de su trabajo.
