自动化机器学习支持用户、开发人员和研究人员快速开发新的ML应用程序。然而，AutoML工具的输出并不总是能够很容易地用人类的直觉或专家知识来解释，因此专家有时会对AutoML工具缺乏信任。因此，我们开发了一些方法，提高了AutoML系统的透明度和可解释性，增加了对AutoML工具的信任，并对其他不透明的优化过程产生了有价值的见解。解释AutoML的方法包括:
超参数的重要性: 哪些超参数(或其他设计决策)对提高ML系统的性能具有全局重要性?[Hutter等人2014]
自动消融研究: 如果一个AutoML工具从一个给定的配置开始(例如，由用户或ML算法的原始开发人员定义)，与AutoML工具返回的配置相比，哪些更改是重要的，以实现观察到的性能改进?[Biedenkapp等人2017]
超参数效果的可视化: 我们如何可视化更改超参数设置的效果，无论是局部的还是全局的?[Hutter等人2014,Biedenkapp等人2018]
采样过程的可视化: 在配置空间的哪些区域有一个AutoML工具在什么时候采样，为什么采样?我们在那儿能看到哪场演出?[Biedenkapp等人2018]
https://www.automl.org/xautoml/
成为VIP会员查看完整内容
【27页slides】Towards Explainable AutoML: xAutoML
相关内容
自动机器学习（AutoML）是将机器学习应用于实际问题的过程的自动化过程。AutoML涵盖了从原始数据集到可部署的机器学习模型的完整管道。提出将AutoML作为基于人工智能的解决方案来应对不断增长的应用机器学习的挑战。 AutoML的高度自动化允许非专家使用机器学习模型和技术，而无需首先成为该领域的专家。 从机器学习角度讲，AutoML 可以看作是一个在给定数据和任务上学习和泛化能力非常强大的系统。但是它强调必须非常容易使用；从自动化角度讲，AutoML 则可以看作是设计一系列高级的控制系统去操作机器学习模型，使得模型可以自动化地学习到合适的参数和配置而无需人工干预。
Arxiv
0+阅读 · 2021年6月11日
Arxiv
3+阅读 · 2019年9月3日
Arxiv
5+阅读 · 2018年2月16日
相关VIP内容
相关资讯
相关论文
Arxiv
0+阅读 · 2021年6月11日
Arxiv
3+阅读 · 2019年9月3日
Arxiv
5+阅读 · 2018年2月16日
微信扫码咨询专知VIP会员