An experimental survey and Perspective View on Meta-Learning for Automated Algorithms Selection and Parametrization

要約

最近の文献研究では、複数のメタ学習セットアップで多様化されているアルゴリズムの選択とパラメーター化（ASP）問題に取り組むためにかなりの進歩が遂げられています。
しかし、既存の方法のパフォーマンスを批判的に分析、要約、評価する調査と比較評価が不足しています。
この論文では、この継続的に進化する分野の最先端の概要を説明します。
この調査では、メタラーニングを通じて分類器の選択を追求する動機付けの理由に光を当てています。
この点で、自動機械学習（Automl）は通常、機械学習の民主化の傘下でASPの問題として扱われます。
したがって、Automlは、高度な分析の適用に関心があるが、必要な専門知識が不足しているドメイン科学者がアクセスできる機械学習技術を作成します。
MLアルゴリズムを手動で選択し、関連するハイパーパラメーターをチューニングするタスクを容易にすることができます。
以前の作品のレビューの結果として形成される一般的なフレームワークに基づいて、分類器選択のさまざまなフェーズについて包括的に議論します。
その後、400万人の以前に学んだモデルのベンチマーク知識ベースを提案し、08分類アルゴリズムと400のベンチマークデータセットに基づいて分類器選択の顕著な方法の広範な比較評価を提示します。
比較研究では、既存の研究の強みと制限を強調しながら、アルゴリズム選択方法のパフォーマンスを定量的に評価します。

要約(オリジナル)

Considerable progress has been made in the recent literature studies to tackle the Algorithms Selection and Parametrization (ASP) problem, which is diversified in multiple meta-learning setups. Yet there is a lack of surveys and comparative evaluations that critically analyze, summarize and assess the performance of existing methods. In this paper, we provide an overview of the state of the art in this continuously evolving field. The survey sheds light on the motivational reasons for pursuing classifiers selection through meta-learning. In this regard, Automated Machine Learning (AutoML) is usually treated as an ASP problem under the umbrella of the democratization of machine learning. Accordingly, AutoML makes machine learning techniques accessible to domain scientists who are interested in applying advanced analytics but lack the required expertise. It can ease the task of manually selecting ML algorithms and tuning related hyperparameters. We comprehensively discuss the different phases of classifiers selection based on a generic framework that is formed as an outcome of reviewing prior works. Subsequently, we propose a benchmark knowledge base of 4 millions previously learned models and present extensive comparative evaluations of the prominent methods for classifiers selection based on 08 classification algorithms and 400 benchmark datasets. The comparative study quantitatively assesses the performance of algorithms selection methods along while emphasizing the strengths and limitations of existing studies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google