×

元学习与算法选择:进展、现状和2018年特刊简介。 (英语) Zbl 1386.68125号

摘要:本文介绍了《元学习与算法选择》特刊。引言分为两部分。在第一部分中,我们概述了过去1至20年来元学习领域的发展情况,并提到了本期专题中的一些论文是如何融入其中的。在第二部分中,我将讨论本期专题的内容。我们将论文分为主题分组,提供每个分组以及单个论文的信息。我们的主要目的是强调为本期特刊选择的论文是如何对元学习领域做出贡献的。

MSC公司:

68T05型 人工智能中的学习和自适应系统
00B15号机组 杂项特定利益物品的收集
68-06 与计算机科学有关的会议记录、会议、收藏等
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Bardenet,R.、Brendel,M.、Kégl,B.和Sebag,M.(2013)。协作超参数调整。《第三十届机器学习国际会议论文集》,第199-2017页·Zbl 1192.68831号
[2] Bennett,J.和Lanning,S.(2007年)。网飞奖。KDD杯和研讨会会议记录·Zbl 1334.68185号
[3] Bernstein,A.和Provost,F.(2001年)。知识发现过程的智能助手。在IJCAI-01 KDD性能增强包装研讨会的会议记录中。
[4] Bernstein,A.、Provost,F.和Hill,S.(2005)。数据挖掘过程的智能辅助:基于本体的成本敏感分类方法。IEEE知识与数据工程汇刊,17(4),503-518·doi:10.1109/TKDE.2005.67
[5] Braddil,P.、Giraud-Carrier,C.、Soares,C.和Villata,R.(2009年)。元学习:数据挖掘的应用。柏林:斯普林格·Zbl 1173.68625号
[6] Braddil,P.、Vanschoren,J.、Hutter,F.和Hoos,H.(2017年)。AutoML。在《机器学习算法的自动选择、配置和组成国际研讨会论文集》(1998年第1卷)中。中欧·Zbl 1325.68110号
[7] Breiman,L.(2001)。随机森林。机器学习,45(1),5-32·Zbl 1007.68152号 ·doi:10.1023/A:1010933404324
[8] 电子许可证。(2012). 数据挖掘和数据密集型科学跨学科协作研究的电子实验室。http://www.e-lico.eu/。
[9] Eggensperger,K.、Hutter,F.、Hoos,H.和Leyton-Brown,K.(2015)。通过代理高效地对超参数优化器进行基准测试。《第二十九届AAAI人工智能会议论文集》,第1114-1120页。
[10] 费雷尔,M。;克莱因,A。;Eggensperger,K。;斯普林伯格,J。;布鲁姆,M。;Hutter,F。;Cortes,C.(编辑);Lawrence,N.(编辑);Lee,D.(编辑);Sugiyama,M.(编辑);Garnett,R.(编辑),《高效稳健的自动化机器学习》,第28期,2962-2970(2015),Red Hook
[11] Giraud-Carrier,C.(2005年)。数据挖掘顾问:为从业者服务的元学习。第四届机器学习和应用国际会议论文集,第113-119页·Zbl 1334.68185号
[12] Giraud-Carrier,C.、Braddil,P.和Villata,R.(2004)。元学习专题介绍。机器学习,54(3),187-193·doi:10.1023/B:MACH.0000015878.60765.42
[13] Hofmann,M.和Klinkenberg,R.(2013)。RapidMiner:数据挖掘用例和业务分析应用程序。伦敦:查普曼和霍尔/CRC。
[14] Hutter,F.、Hoos,H.、Leyton-Brown,K.和Stützle,T.(2009年)。ParamILS:自动配置框架。《人工智能研究杂志》,36267-306·Zbl 1192.68831号
[15] Hutter,F.、Hoos,H.和Leyton-Brown,K.(2011年)。基于序列模型的通用算法配置优化。《第五届学习与智能优化国际会议论文集》(LION’11),第507-523页。
[16] Hutter,F.、Xu,L.、Hoos,H.和Leyton-Brown,K.(2014)。算法运行时预测:方法与评估。人工智能,20679-111·Zbl 1334.68185号 ·doi:10.1016/j.artint.2013.10.003(文件编号:10.1016/j.artint.2013.10.003)
[17] Kietz,J.U.、Serban,F.、Bernstein,A.和Fischer,S.(2012年)。通过HTN规划设计KDD工作流以获得智能发现帮助。ECAI-12学习计划研讨会论文集。
[18] Kotthoff,L.、Thornton,C.、Hoos,H.、Hutter,F.和Leyton Brown,K.(2017)。Auto-WEKA 2.0:WEKA中的自动模型选择和超参数优化。机器学习研究杂志,18(1),826-830·Zbl 06781346号
[19] Leite,R.、Braddil,P.和Vanschoren,J.(2012)。选择具有主动测试的分类算法。《模式识别中的机器学习和数据挖掘第八届国际会议论文集》(LNCS 7376),第117-131页。
[20] Lemke,C.、Budka,M.和Gabris,B.(2015)。元学习:对趋势和技术的调查。《人工智能评论》,44(1),117-130·doi:10.1007/s10462-013-9406-y
[21] Leyton-Brown,K.、Nudelman,E.和Shoham,Y.(2009年)。经验硬度模型:组合拍卖的方法和案例研究。美国医学会杂志,56(4),22:1-22:52·兹比尔1325.68110 ·数字对象标识代码:10.1145/1538902.1538906
[22] Lópes-Ibáñez,M.、Dubois-Lacoste,J.、Stüzle,T.和Birattari,M.(2011)。irace包为自动算法配置迭代了race。技术代表:IRIDIA,布鲁塞尔自由大学。
[23] Michie,D.、Spiegelhalter,D.和Taylor,C.(编辑)。(1994年)。机器学习、神经和统计分类。上鞍河:Ellis Horwood·Zbl 0827.68094号
[24] Olson,R.和Moore,J.(2016)。TPOT:用于自动化机器学习的基于树的管道优化工具。《2016年ICML AutoML研讨会论文集》(JMLR研讨会和会议论文集64),第66-74页。
[25] Pedregosa,F.、Varoqueux,G.、Gramfort,A.、Michel,V.、Thirion,B.、Grisel,O.等人(2011年)。Scikit-learn:用python进行机器学习。机器学习研究杂志,12,2825-2830·Zbl 1280.68189号
[26] Rasmussen,C.和Williams,C.(2006年)。机器学习的高斯过程。剑桥:麻省理工学院出版社·Zbl 1177.68165号
[27] Rice,J.(1976年)。算法选择问题。《计算机进展》,第15期,第65-118页·doi:10.1016/S0065-2458(08)60520-3
[28] Smith-Miles,K.(2008年)。算法选择中元学习的跨学科视角。ACM计算调查,41(1),6:1-6:25·数字对象标识代码:10.1145/1456650.1456656
[29] Thornton,C.、Hutter,F.、Hoos,H.和Leyton-Brown,K.(2013)。Auto-WEKA:分类算法的组合选择和超参数优化。第19届ACM SIGKDD知识发现和数据挖掘国际会议论文集,第847-855页。
[30] Töscher,A.和Jahrer,M.(2009年)。netflix大奖的bigChaos解决方案。技术代表,Commodo Research&Consulting。
[31] Witten,I.、Eibe,F.和Hall,M.(2011年)。数据挖掘:实用机器学习工具和技术(第三版)。加利福尼亚州旧金山:Morgan Kaufmann·Zbl 1076.68555号
[32] Yogatama,D.和Mann,G.(2014)。用于超参数自动调谐的高效传递学习方法。人工智能和统计国际会议论文集。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。