automated machine learning
PulseAugur coverage of automated machine learning — every cluster mentioning automated machine learning across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
MLOps 指南涵盖 AI 生命周期、部署和治理
本文全面概述了 MLOps，涵盖了从初始开发到部署和持续管理的整个 AI 生命周期。它深入探讨了关键概念，如 AI 治理、漂移检测、AutoML 以及联邦学习和分布式学习等各种学习范式。文章还概述了有效实施 MLOps 所必需的 AI 技术栈的关键组成部分。
-
新框架通过线索引导的发现，助力反洗钱调查
研究人员开发了一个名为 Clue2Group 的新框架，以协助反洗钱调查。该框架克服了现有方法的局限性，允许分析人员从特定线索开始，逐步揭示金融网络中隐藏的犯罪团伙及其结构。Clue2Group 构建了一个聚焦的局部调查上下文，使用图神经网络估算风险场，并整合各种证据类型来识别连贯的洗钱团伙，展示了其在实际反洗钱工作流程中的实用价值。
-
AutoML 优化深度迁移神经网络以提高效率和性能
研究人员开发了一种使用 AutoML 的多目标超参数优化方法，以提高深度迁移神经网络 (DSNNs) 的效率和性能。该方法专门针对图像分类任务，旨在平衡准确性与降低能耗和排放。该方法确定了 DSNN 配置，可将性能提高约 20%，同时将排放量减少 60% 以上，揭示了量化策略中细微的权衡。
-
新的机器学习评估指标优先考虑计算成本而非准确率
一篇新研究论文提出了一种机器学习模型评估的范式转变，超越了最大准确率，转而考虑计算成本。该指标基于达到目标准确率所需的梯度下降步数，被视为一种新颖的自动化机器学习（AutoML）形式。在11个模型和五个数据集上的实验表明，大的学习率可以优化此成本指标，从而促进泛化并减少训练时间。该研究还确定了实现较低准确率目标与性能极限的不同策略，建议前者采用单次运行，后者采用多次短时重启。
-
新的超参数优化方法提高了 DSNN 的准确性和可持续性
研究人员开发了一种面向深度迁移神经网络 (DSNN) 的多目标超参数优化 (HPO) 方法，以促进可持续深度学习。该方法结合了多保真度 HPO 和多目标优化，以平衡模型准确性与能耗。实验表明，该方法可以产生准确率超过 80% 的模型，同时显著降低计算成本，从而促进更高效、可持续的人工智能发展。
-
研究论文发布面向银行业的AI安全代理
一篇新研究论文详细介绍了一款专为银行业设计的AI安全代理，能够跨零售和公司账户检测多向量欺诈和反洗钱（AML）活动。该代理采用三组件融合架构，分别处理交易和会话数据流，整合了LSTM模型、统计监视器和图网络模块。实验表明，所提出的模型显著优于基线方法，在交易和会话流方面均取得了高F1分数，并集成了客户验证和分析师案例摘要工具。
-
新的LLM编排多智能体框架增强BDaaS生命周期自动化
研究人员开发了一个新的大数据即服务（BDaaS）框架，该框架利用由中央LLM编排的多智能体系统。该系统旨在自动化和提高从摄取到部署后监控和漂移检测的整个数据工程和MLOps生命周期的可靠性。与现有的单智能体或仅AutoML方法相比，所提出的架构将任务分解为专门的智能体，增强了生命周期级别的编排、工件治理和人工监督。
-
BioAutoML-NAS框架在昆虫分类中达到96.81%的准确率
研究人员开发了BioAutoML-NAS，一个用于昆虫分类的新型框架，它整合了包括图像和元数据在内的多模态数据。该系统利用神经架构搜索（NAS）来优化网络结构，并利用多模态融合模块来结合视觉和生物信息。在BIOSCAN-5M和Insects-1M数据集上的评估表明，BioAutoML-NAS在准确性和效率方面显著优于现有的迁移学习、Transformer、AutoML和NAS方法。
-
AI代理的USDC收益通过持牌服务商兑换成法定货币
一位开发者概述了一种方法，可以让AI代理将其以USD Coin (USDC) 形式获得的收益兑换成法定货币（具体为欧元），并存入银行账户。该过程涉及AI代理和持牌第三方服务商之间的职责划分，确保合规性，同时避免AI代理直接处理敏感的财务信息。AI代理负责通过x402协议处理API调用和支付费用，而像Transak这样的服务商则负责实际的加密货币到法定货币的兑换、KYC（了解你的客户）和托管。AI代理的所有者必须手动确认最终转账，以确保…
-
新的 HPO 方法有望降低成本，AWS 详细介绍调优策略
研究人员开发了一种新的超参数优化 (HPO) 方法，该方法显著降低了训练大型机器学习模型相关的计算成本和能源消耗。该方法利用有关模型性能的先验信息来指导优化过程，提供了量化先验信息如何减少所需评估次数的理论界限。在基准测试上的实验表明，在保持解决方案质量的同时，预算减少高达 90%，为更高效、更可持续的 AutoML 实践奠定了基础。与此同时，AWS 正在详细介绍在其 Nova Forge 平台上进行有效超参数调优的策略，强调领域专业…
-
iML框架通过可执行、问题导向的代码增强AutoML
研究人员推出了一种新的代码驱动的自动化机器学习（AutoML）框架iML。iML通过专注于生成可执行、问题导向且广泛探索的代码，解决了当前AutoML系统的局限性。该框架采用多智能体方法，分析任务和数据，为跨各种机器学习方法的代码生成创建结构化蓝图，并通过接口检查和迭代调试确保可靠性。
-
新框架融合LLM和贝叶斯优化实现AutoML
研究人员开发了CoFEH，一个将大型语言模型（LLM）与贝叶斯超参数优化（HPO）相结合的端到端自动化机器学习新框架。该系统使用具有思维树（Tree of Thought）方法的LLM来生成灵活的特征工程流水线，并使用贝叶斯优化模块进行HPO。CoFEH独特地交织了这些过程，允许在特征工程和超参数调优之间进行知情决策，与现有方法相比，其性能得到了提升。
-
数据语言模型提供原生表格数据理解，性能超越现有方法
研究人员推出数据语言模型（DLM），这是一类新的基础模型，旨在原生理解表格数据，无需预处理。首个DLM Schema-1，一个拥有1.4亿参数、在超过230万个数据集上训练的模型，在行级预测基准测试中表现优于现有方法。Schema-1在缺失值重建方面也表现出色，并且仅凭原始单元格值就能识别行业领域，表明其对表格数据的结构理解比通用语言模型更深入。
-
机器学习通过电生理学准确检测植物水分胁迫
研究人员开发了一个机器学习框架，利用电生理信号检测番茄植株的水分胁迫。该系统分析30分钟的数据窗口，在可见症状出现之前识别胁迫，通过自动化机器学习实现高达92%的准确率。该工具旨在提高灌溉效率并支持自主作物生产系统。
-
研究比较 AutoML 和 BiLSTM 在印度尼西亚 Instagram 网络欺凌检测中的应用
本研究论文比较了自动化机器学习 (AutoML) 和双向长短期记忆 (BiLSTM) 模型在检测印度尼西亚 Instagram 评论中的网络欺凌行为。研究使用了包含 650 条评论的数据集，评估了逻辑回归等各种机器学习算法以及带有注意力机制的 BiLSTM 等深度学习模型。结果表明，在传统机器学习方法中，逻辑回归表现最佳，而带有注意力机制的 BiLSTM 在深度学习方面表现最好，这凸显了针对非正式印尼语文本进行定制化预处理的重要性。
-
新机制设计框架解决银行网络中的合规道德风险
研究人员开发了一个机制设计框架，以解决去中心化风险分析中的信息聚合问题，特别是在银行网络的反洗钱（AML）领域。提出的时间价值分配（TVA）机制通过对已验证的结果使用评分规则，激励竞争公司之间的真实报告。在合成AML基准上的模拟表明，与自给自足或设计不佳的强制共享相比，TVA可以显著提高福利，凸显了精心设计的激励措施克服合规道德风险的潜力。
-
Didit 发布集成了 AI 的类似 Stripe 的身份验证平台
Didit 是一家由同卵双胞胎创立的初创公司，它推出了一个旨在简化企业身份验证流程的新平台。该服务旨在通过提供统一的集成来简化 KYC、AML、生物识别和欺诈防护复杂且分散的格局。Didit 开发了自己的 AI 模型用于 ID 验证和生物识别，通过自动化手动审查和检测复杂的欺诈企图，使他们能够提高入职率并降低成本。