Academic Journal
Meta-learning for heterogeneous AutoML ; Meta-aprendizaje para AutoML heterogéneo
| العنوان: | Meta-learning for heterogeneous AutoML ; Meta-aprendizaje para AutoML heterogéneo |
|---|---|
| المؤلفون: | Zerquera Ferrer, Lia de la Concepción, Fernández Oliva, Alberto, Piad Morffis, Alejandro, Estévez Velarde, Suilan |
| المصدر: | Ciencias Matemáticas; Vol. 36 No. Único: 2022-2023; 79-85 ; Ciencias Matemáticas; Vol. 36 Núm. Único: 2022-2023; 79-85 ; 0256-5374 |
| بيانات النشر: | Sociedad Cubana de Matemática y Computación |
| سنة النشر: | 2024 |
| مصطلحات موضوعية: | aprendizaje de máquina, AutoML, meta-aprendizaje, MSC 68, MSC 68T05, MSC 68T30, machine learning, meta-learning |
| الوصف: | Automated machine learning (AutoML) is a booming area of Artificial Intelligence, although it faces several challenges. This process can be slow and computationally inefficient. Meta-learning, which consists of learning from past experiences through algorithms applied to various types of data, can improve AutoML by identifying the best algorithms for specific problems, thus speeding up the process and improving results. This research proposes a meta-learning strategy for generic machine learning domains, capable of addressing a wide variety of problems by selecting appropriate features. AutoGOAL is used as a complement to AutoML, as it offers effective solutions in multiple domains and allows the creation of algorithm streams that generate a useful knowledge base for meta-learning. The approach facilitates the acquisition of knowledge from the execution of different problems in AutoGOAL and evaluates the performance of the corresponding algorithm flows. With this information, a model is developed to help discard inappropriate flows for future problems. Experimental results indicate that this strategy can significantly reduce the execution time in AutoGOAL, allowing to quickly identify erroneous flows. ; 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 ... |
| نوع الوثيقة: | article in journal/newspaper |
| وصف الملف: | application/pdf |
| اللغة: | Spanish; Castilian |
| Relation: | https://revistas.uh.cu/rcm/article/view/9130/8914; https://revistas.uh.cu/rcm/article/view/9130 |
| DOI: | 10.5281/zenodo.14164788 |
| الاتاحة: | https://revistas.uh.cu/rcm/article/view/9130 https://doi.org/10.5281/zenodo.14164788 |
| Rights: | Derechos de autor 2024 Lia de la Concepción Zerquera Ferrer, Alberto Fernández Oliva, Alejandro Piad Morffis, Suilan Estévez Velarde ; https://creativecommons.org/licenses/by/4.0 |
| رقم الانضمام: | edsbas.A9CF5A5B |
| قاعدة البيانات: | BASE |
| DOI: | 10.5281/zenodo.14164788 |
|---|