ELATE: Evolutionary Language model for Automated Time-series Engineering
JP Morgan AI Research(摩根大通人工智能研究)
针对时间序列预测中人工特征工程耗时、现有自动化方法计算成本高的问题,提出ELATE模型,通过进化框架结合语言模型自动化特征工程,利用统计量和特征重要性引导修剪,提升预测精度。
2025-08-20 cs.AI cs.LG
An Automated Data Engineering Pipeline for Anomaly Detection of IoT Sensor Data
University of Western Ontario(西安大略大学)
片上系统(SoC)技术、物联网(IoT)、云计算、人工智能等领域的快速发展,为改善和解决当前问题带来了更多可能。通过数据分析和使用机器学习/深度学习,可以学习底层模式,并根据从物联网传感器生成的海量数据中学到的知识做出决策。当与云计算相结合时,整个管道可以自动化,并且无需人工控制和操作。本文研究并提出了一种用于物联网传感器数据异常检测的自动化数据工程管道的实现。该过程涉及使用物联网传感器、树莓派、亚马逊网络服务(AWS)和多种机器学习技术,旨在为灵巧家庭安全系统识别异常情况。
2021-09-28 cs.CR cs.LG
Toward Efficient Automated Feature Engineering
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);University of Chinese Academy of Sciences(中国科学院大学);University of Macau(澳门大学)
自动特征工程(Automated Feature Engineering,AFE)是指自动生成并选择最优特征集用于下游任务,在实际应用中取得了巨大的成功。目前的AFE方法主要关注于提高生成特征的有效性,而忽略了大规模部署时的低效率问题。因此,在这项工作中,我们提出了一个通用的框架,以提高AFE的效率。具体来说,我们构建了基于强化学习设置的AFE流水线,为每个特征分配一个Agent来执行特征变换\com{and}选择,并将下游任务中产生的特征的评价得分作为更新策略的奖励。我们从两个方面提高AFE的效率。一方面,我们开发了一个特征预评估模型(FPE),以减少样本量和特征量这两个影响特征评估效率的主要因素。另一方面,我们设计了一个两阶段的政策培训策略,通过在预评估任务上运行FPE作为政策的初始化,以避免从头开始培训政策。我们在36个数据集上进行了分类和回归任务的综合实验。结果表明,与最先进的AFE方法相比,$2.9\%$的平均性能更高,计算效率高出2倍。
2022-12-26 cs.LG
When Bioprocess Engineering Meets Machine Learning: A Survey from the Perspective of Automated Bioprocess Development
Technische Universität Berlin(柏林工业大学)
机器学习(ML)在许多工程领域变得越来越重要,但在生物过程工程中尚未发挥其全部潜力。虽然实验室自动化水平的提高加快了实验的速度,但实验规划和数据建模仍然在很大程度上依赖于人为干预。ML可以被视为一组工具,有助于整个实验周期的自动化,包括模型构建和实际规划,从而使人类专家能够专注于更苛刻和更重要的认知任务。首先,概率规划用于自主构建预测模型。其次,机器学习通过计划实验来测试假设,并进行调查以收集基于模型预测的不确定性的模型选择的信息数据,从而自动评估替代决策。这篇综述提供了一个全面的概述ML为基础的自动化在生物过程开发。一方面,生物技术和生物工程界应该意识到现有ML解决方案在生物技术和生物制药领域应用的潜力,最重要的是,其局限性。另一方面,必须确定缺失的环节,以便在生物社区有价值的解决方案中轻松实施ML和人工智能(AI)工具。
2022-11-01 cs.LG
Large Language Models for Automated Data Science: Introducing CAAFE for Context-Aware Automated Feature Engineering
University of Freiburg(弗赖堡大学);Charité Hospital Berlin(柏林夏里特医院);Prior Labs(普莱尔实验室)
本文提出 CAAFE,利用 LLM 基于数据集描述迭代生成语义特征、Python 代码与解释,在14个表格数据集中11个提升性能,并推动 AutoML 走向语义化与半自动化。
2023-09-28 cs.AI cs.LG
Federated Automated Feature Engineering
Department of Engineering Sciences and Applied Mathematics, Northwestern University(工程科学与应用数学系,西北大学);Department of Industrial Engineering and Management Sciences, Northwestern University(工业工程与管理科学系,西北大学)
本文首次提出面向水平、垂直和混合联邦学习的自动化特征工程算法,在数据不共享场景下实现接近集中式AutoFE的下游测试性能。
2025-04-21 cs.DC cs.LG
Lifting Interpretability-Performance Trade-off via Automated Feature Engineering
Warsaw University of Technology(华沙理工大学);University of Warsaw(华沙大学)
复杂的黑盒预测模型可能具有高性能,但缺乏可解释性会导致缺乏信任,缺乏稳定性,对概念漂移敏感等问题。另一方面,实现令人满意的精度的可解释的模型需要更多的耗时的工作相关的特征工程。我们能否在没有永恒的特征工程的情况下,训练可解释的和准确的模型?我们提出了一种方法,使用弹性黑盒作为代理模型,以创建一个更简单,更不透明,但仍然准确和可解释的玻璃盒模型。新的模型是在新的工程特征上创建的,这些特征是在代理模型的帮助下提取的。我们提供了一个大规模的基准测试的分析,从OpenML数据库的几个表格数据集。有两个结果:1)从复杂模型中提取信息可以提高线性模型的性能,2)质疑复杂机器学习模型优于线性模型的常见神话。
2020-02-11 cs.LG stat.ML
Exploiting Unsupervised Pre-training and Automated Feature Engineering for Low-resource Hate Speech Detection in Polish
Sigmoidal(Sigmoidal公司)
本文介绍了我们对PolEval 2019任务6的贡献:仇恨言论和欺凌检测。我们描述了我们遵循的三种并行方法:根据我们的分类任务微调预训练的ULMFiT模型,根据我们的分类任务微调预训练的BERT模型,以及使用TPOT库来找到最佳管道。我们提出了这三种工具所取得的成果,并审查其优点和缺点方面的用户体验。我们的团队在子任务2中排名第二,TPOT发现了一个浅层模型:一个具有非平凡特征工程的逻辑回归分类器。
2019-06-17 cs.CL cs.LG stat.ML
LLM-FE: Automated Feature Engineering for Tabular Data with LLMs as Evolutionary Optimizers
Department of Computer Science, Virginia Tech(弗吉尼亚理工学院计算机科学系)
本文提出LLM-FE框架,结合LLM的领域知识和推理能力,通过进化搜索自动发现表格学习任务中的有效特征,优于现有方法。
2026-05-10 cs.AI cs.CL cs.LG
Automated Biodesign Engineering by Abductive Meta-Interpretive Learning
Imperial College London(帝国理工学院)
人工智能(AI)在合成生物学中的应用将为创建高通量自动化遗传设计平台提供基础,其中使用学习机通过设计-构建-测试-学习(DBTL)循环迭代优化系统。然而,以深度学习为代表的主流机器学习技术缺乏表示关系知识的能力,并且需要大量带注释的训练数据。这些缺点严重限制了人工智能在合成生物学中的作用,其中实验本身就是资源和时间密集型的。在这项工作中,我们提出了一个自动化的生物设计工程框架授权的溯因元解释学习($Meta_{Abd}$),一种新的机器学习方法,其结合了符号和子符号机器学习,以通过使学习机器能够1)利用领域知识并学习由诸如一阶逻辑的形式语言表达的人类可解释的模型来进一步增强DBTL循环; 2)同时优化模型的结构和参数,以进行准确的数值预测; 3)通过主动生成假设和示例,减少实验成本和数据注释工作。为了验证$Meta_{Abd}$的有效性,我们模拟了一个合成数据集,用于从微生物宿主中的三基因操纵子生产蛋白质,这代表了一个常见的合成生物学问题。
2021-05-17 cs.AI cs.LG
Explainable Automated Machine Learning for Credit Decisions: Enhancing Human Artificial Intelligence Collaboration in Financial Engineering
University of Oxford(牛津大学);University of Strathclyde(思克莱德大学)
本文研究可解释自动化机器学习(AutoML)与可解释AI(XAI)在信用决策中的结合,证明其能提升效率、准确性,并增强人机协作与信任,符合监管和伦理要求。
2024-02-06 cs.LG q-fin.CP q-fin.RM
Towards automated feature engineering for credit card fraud detection using multi-perspective HMMs
INSA Lyon(里昂国立应用科学学院);Universität Passau(帕绍大学);Worldline Lyon(Worldline里昂)
机器学习和数据采掘技术已被广泛用于检测信用卡欺诈。然而,大多数研究认为信用卡交易作为孤立的事件,而不是作为一个交易序列。在这个框架中,我们从三个不同的角度,即(i)序列包含或不包含欺诈行为(ii)序列是通过固定持卡人或支付终端获得的(iii)它是一个序列的花费金额或当前和以前的交易之间经过的时间。三个二元视角的组合给出了来自(训练)事务集的八组序列。这些序列中的每一个都用隐马尔可夫模型(HMM)建模。每个HMM将可能性与给定其先前事务序列的事务相关联。这些似然度被用作用于欺诈检测的随机森林分类器中的附加特征。我们的多视角基于HMM的方法提供了自动化的特征工程模型的时间相关性,以提高分类任务的有效性,并允许增加欺诈交易的检测时,结合最先进的基于专家的特征工程策略,用于信用卡欺诈检测。在扩展到以前的作品,我们表明,这种方法超越了电子商务交易,并提供了一个强大的功能工程不同的数据集,超参数和分类器。此外,我们比较了处理结构性缺失值的策略。
2019-09-03 cs.LG stat.ML
Retrieval-Augmented Instruction Tuning for Automated Process Engineering Calculations : A Tool-Chaining Problem-Solving Framework with Attributable Reflection
TCS Research(塔塔咨询服务研究中心);IIIT Pune(印度信息技术学院浦那分校)
针对过程工程计算缺乏基础AI模型的问题,提出基于检索增强指令微调(RAIT)的自主智能体框架,结合小型代码语言模型与外部工具进行代码生成与调试,其性能媲美大规模专有模型且具成本效益。
2024-08-28 cs.AI cs.LG cs.SE
Enhancing Automated Program Repair through Fine-tuning and Prompt Engineering
BUET(孟加拉国工程技术大学);University of Notre Dame(圣母大学);University of Rochester(罗切斯特大学)
本研究探究大语言模型的编程语言与自然语言固有知识对自动化程序修复的提升作用,验证了微调预训练模型的效果优势,同时测试了提示工程方法的表现,指出大语言模型落地该场景仍有距离。
2023-07-21 cs.LG cs.SE
CAFE: Causally-Guided Automated Feature Engineering with Multi-Agent Reinforcement Learning
CAFE通过因果引导的多智能体强化学习提升自动化特征工程的鲁棒性和效率。
2026-10-27 cs.AI cs.LG cs.MA
Automated data processing and feature engineering for deep learning and big data applications: a survey
Cape Coast Technical University(海岸角技术大学);University of Mines and Technology(矿业与技术大学)
该综述全面梳理了深度学习与大数据应用中自动化数据处理与特征工程的方法,涵盖数据预处理、增强及特征工程,并探讨了AutoML在端到端流水线优化中的作用。
2024-03-19 cs.AI cs.DB cs.LG
Automated Black-box Prompt Engineering for Personalized Text-to-Image Generation
Carnegie Mellon University(卡内基梅隆大学);University of Pennsylvania(宾夕法尼亚大学);Sony AI(索尼人工智能);Sony Group Corporation(索尼集团);Bosch Center for AI(博世人工智能中心)
本文提出PRISM算法,利用大语言模型的上下文学习能力,在仅黑盒访问条件下自动生成可解释、可迁移的文本到图像提示,并在多个主流T2I模型上验证了其有效性。
2025-08-16 cs.AI cs.CL cs.CV
Automated Modernization of Machine Learning Engineering Notebooks for Reproducibility
University of Waterloo(滑铁卢大学);Google(谷歌公司)
本文提出MLEModernizer,通过LLM驱动的框架自动化现代化工机器学习工程笔记本,以恢复其在不断变化的环境中的可重现性。
2026-07-29 cs.LG cs.SE
Automated Data Engineering and Feature Selection for the Case Study of Warpage Detection in Fused Deposition Modeling
Michigan Technological University(密歇根理工大学)
研究针对熔融沉积建模过程数据集,围绕强化学习启发的策略更新机制,利用SHAP XAI生成特征子集,训练多个机器学习模型,探索最优模型-特征配置,提升了预测准确性和稳定性,改进了测试集AUC等指标。
2026-07-22 cs.AI cs.LG
TRACE: TRajectory Attribution for Automated Context Engineering
Amazon(亚马逊公司)
TRACE是利用历史智能体轨迹挖掘上下文故障的自动化反馈循环,可在上下文层诊断修复超80%的生产AI智能体故障,归因率72.7%、修复有效性82%。
2026-08-11 cs.AI cs.LG
Active Learning over DNN: Automated Engineering Design Optimization for Fluid Dynamics Based on Self-Simulated Dataset
Cranbrook Schools(克兰布鲁克学校)
优化流体动力学性能是一项重要的工程任务。传统上,专家根据经验估计设计形状,并通过昂贵的实验来验证它们。这个在时间和空间方面都昂贵的过程可能只探索有限数量的形状,并导致次优设计。在这项研究中,一个测试证明的深度学习架构被应用于预测各种限制下的性能,并通过优化学习的预测函数来搜索更好的形状。主要的挑战是深度神经网络(DNN)需要大量的数据点,这是无法模拟的。为了弥补这个缺点,使用频率主义主动学习来探索DNN预测有希望的输出空间的区域。此操作将所需的数据样本数量从约8000减少到625。最后一个阶段,一个用户界面,使模型能够优化与给定的用户输入的最小面积和粘度。整体填充用于定义边界面积函数,以便最佳形状不会绕过最小面积。随机梯度朗之万动力学(SGLD),以确保最终的形状是优化的,同时绕过所需的面积。共同地,具有极低阻力的形状被发现由实用的用户界面探索,没有人类领域知识和适度的计算开销。
2020-01-23 cs.CE cs.LG stat.ML
Automated Vigilance State Classification in Rodents Using Machine Learning and Feature Engineering
University of South Carolina(南卡罗来纳大学)
本文提出一种基于时频域特征工程与XGBoost的啮齿动物EEG警觉状态自动分类框架,在2024年竞赛中取得91.5%准确率,优于基线方法,推动了睡眠科学自动化研究。
2025-07-08 cs.LG eess.SP
A Hierarchical Feature Engineering Framework for Automated Classification of Phonotraumatic and Non-Phonotraumatic Vocal Hyperfunction
Department of Electronic Engineering, Wonkwang University(圆光大学电子工程系);AI Convergence Research Institute, Wonkwang University(圆光大学人工智能融合研究院);GIST InnoCORE AI-Nano Convergence Institute for Early Detection of Neurodegenerative Diseases, Gwangju Institute of Science and Technology(光州科学技术院GIST InnoCORE AI-Nano神经退行性疾病早期检测融合研究所);School of Electrical Engineering, KAIST(韩国科学技术院电气工程学院);Department of AI Convergence, Gwangju Institute of Science and Technology(光州科学技术院人工智能融合系)
提出分层特征工程框架,包括静态、动态、比率和耦合特征,用于区分声带创伤性和非声带创伤性声音亢进,发现耦合特征对两类分类均关键,PVH AUC 0.891,NPVH AUC 0.728。
2026-06-04 cs.AI cs.LG cs.SD
MLOS: An Infrastructure for Automated Software Performance Engineering
Microsoft(微软)
开发现代系统软件是一项复杂的任务,它结合了业务逻辑编程和软件性能工程(SPE)。后者是一个实验性的劳动密集型活动,专注于针对给定的硬件、软件和工作负载(hw/sw/wl)环境优化系统。今天的SPE是由专业团队在构建/发布阶段执行的,并且受到以下问题的困扰:1)缺乏标准化和自动化的工具,2)随着硬件/软件/硬件环境的变化,大量重复的工作,3)“一刀切”调优(其中一个工作负载或组件的改进可能会影响其他工作负载或组件)导致的脆弱性。最终结果是:尽管有昂贵的投资,系统软件经常处于其最佳工作点之外--据说会留下30%到40%的性能。数据科学(DS)的最新发展暗示了一个机会:将DS工具和方法与新的开发人员体验相结合,以改变SPE的实践。在本文中,我们提出:MLOS,ML供电的基础设施和方法,民主化和自动化软件性能工程。MLOS支持连续、实例级、鲁棒且可跟踪的系统优化。MLOS正在Microsoft内部开发和使用,以优化SQL Server性能。早期的结果表明,当针对特定硬件/软件/硬件进行自定义调优时,组件级优化可以带来20%-90%的改进,这暗示着一个重要的机会。然而,仍存在一些研究挑战,需要社区参与。为此,我们正在开源MLOS核心基础设施,并与学术机构合作,围绕软件2.0和MLOS理念创建教育计划。
2020-06-04 cs.DB cs.DC cs.LG
Feature Engineering vs. Deep Learning for Automated Coin Grading: A Comparative Study on Saint-Gaudens Double Eagles
Department of Electrical and Computer Engineering(电气与计算机工程系)
本文通过对比特征工程与深度学习方法,发现特征设计在小数据、类别不平衡场景下优于全栈深度学习方案,尤其在硬币评级任务中表现更优。
2025-12-04 cs.CV cs.LG
APEX: Automated Prompt Engineering eXpert with Dynamic Data Selection
Google(谷歌);UCLA(加州大学洛杉矶分校)
提出APEX框架,通过动态数据分层(易、难、混合)优先选择高杠杆子集,在固定预算下提升提示优化效率,在三个基准上平均提升11.2%和6.8%。
2026-06-11 cs.AI cs.CL cs.LG
SWE-agent: Agent-Computer Interfaces Enable Automated Software Engineering
Princeton University(普林斯顿大学)
研究接口设计对语言模型智能体性能的影响,提出SWE-agent系统及其定制的智能体-计算机接口(ACI),使智能体能自主解决软件工程任务,在SWE-bench和HumanEvalFix上达到最先进性能。
2024-11-11 cs.AI cs.CL cs.HC
EvoAAA: An evolutionary methodology for automated \neural autoencoder architecture search
Universidad de Jaén(哈恩大学)
当向机器学习模型提供策划的功能时,它们会更好地工作。特征工程方法通常被用作预处理步骤,以获得或构建合适的特征集。近年来,自编码器(一种特定类型的对称神经网络)已被广泛用于执行表示学习,证明了其与经典特征工程算法的竞争力。使用自动编码器的主要障碍是找到一个好的架构,这是大多数专家手动面对的过程。本文提出了一种基于进化方法的自动编码器结构搜索方法。该方法针对九个异构数据集进行了测试。所得到的结果表明,这种方法能够找到更好的架构,能够集中在一个最小化的编码,在减少的时间大部分有用的信息。
2023-01-15 cs.AI cs.LG cs.NE
PAACE: A Plan-Aware Automated Agent Context Engineering Framework
Kamer Ali Yuksel(独立研究者)
PAACE通过计划感知的上下文工程框架提升LLM代理的准确性并减少上下文负载,实现高效多步骤任务处理。
2025-12-18 cs.AI cs.CL cs.LG
A Survey of Automatic Prompt Engineering: An Optimization Perspective
School of Computer Science and Technology, Tongji University(同济大学计算机科学与技术学院);East China Normal University(华东师范大学);Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University(同济大学上海智能自主系统研究院)
本文从优化理论视角首次全面综述自动提示工程,将其形式化为提示空间上的最大化问题并系统分类方法,为研究者和从业者建立框架,同时指出未充分探索的前沿方向。
2025-02-17 cs.AI cs.LG
Automated Polysomnography Analysis for Detection of Non-Apneic and Non-Hypopneic Arousals using Feature Engineering and a Bidirectional LSTM Network
Aalto University(阿尔托大学);Tampere University(坦佩雷大学);Northwestern University(西北大学)
目的:本研究的目的是开发一种多导睡眠图(PSG)记录的自动分类算法,以检测非呼吸暂停和非低通气觉醒。我们特别关注的是检测呼吸努力相关的觉醒(RERA),这是非常微妙的呼吸事件,不符合呼吸暂停或呼吸不足的标准,更具有挑战性的检测。研究方法:该算法基于双向长短期记忆(BiLSTM)分类器和465个多域特征,从多模态临床时间序列中提取。这些特征由一组生理启发特征(n = 75)和一组生理不可知特征(n = 390)组成,其中生理启发特征是通过多个特征选择和专家分析步骤获得的,而生理不可知特征是通过散射变换获得的。结果:所提出的算法在2018年PhysioNet挑战数据集上得到了验证。在隐藏测试数据集上,精确率-召回率曲线下面积(AUPRC)的整体性能为0.50。这一成绩与2018年PhysioNet挑战赛后续和正式阶段的第二好成绩并列。结论:结果表明,它是可以自动检测微妙的非呼吸暂停/非低通气觉醒事件从PSG记录。重要性:自动检测细微的呼吸事件,如RERA以及其他非呼吸暂停/非呼吸不足觉醒,将允许对大型PSG数据库进行详细注释。这有助于对睡眠数据进行更好的回顾性分析,这也可能提高治疗质量。
2019-09-06 cs.LG eess.SP stat.ML
Challenges and Paths Towards AI for Software Engineering
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);University of California, Berkeley(加州大学伯克利分校);Cornell University(康奈尔大学);Stanford University(斯坦福大学);University of Pennsylvania(宾夕法尼亚大学)
本文探讨AI用于软件工程的挑战与路径,提出任务分类、瓶颈分析及有前景的研究方向,旨在推动自动化水平提升。
2025-03-28 cs.AI cs.LG cs.SE
FAMOSE: A ReAct Approach to Automated Feature Discovery
Amazon.com, Inc.(亚马逊公司)
FAMOSE通过ReAct方法实现自动化特征发现,显著提升分类和回归任务的性能,展示了AI代理在创新解决方案中的有效性。
2026-02-19 cs.AI cs.LG
Quality Assurance in MLOps Setting: An Industrial Perspective
Karlstad University(卡尔斯塔德大学);Czech Technical University in Prague(捷克技术大学布拉格分校);Uddeholms AB(乌德霍尔姆公司)
如今,机器学习(ML)在工业中被广泛用于提供生产系统的核心功能。然而,它实际上总是在生产系统中作为更大的端到端软件系统的一部分使用,该系统由ML模型之外的其他几个组件组成。由于生产需求和时间限制,自动化软件工程实践非常适用。在制造业和公用事业等行业中越来越多地使用自动化ML软件工程实践,需要将自动化质量保证(QA)方法作为ML软件的组成部分。在这里,QA通过提供对软件任务的客观观点来帮助降低风险。虽然传统的软件工程已经为数据驱动的ML提供了自动化的QA数据分析工具,但缺乏对ML运行(MLOps)的QA实践的使用。本文探讨了QA的挑战,出现在工业MLOps和概念化的模块化战略,以处理数据完整性和数据质量(DQ)。本文附有来自工业合作伙伴的真实工业用例。该文件还提出了一些挑战,可能作为未来研究的基础。
2022-11-24 cs.AI cs.LG cs.SE
Open Problems in Engineering and Quality Assurance of Safety Critical Machine Learning Systems
DENSO CORPORATION(电装公司)
致命事故是阻碍使用机器学习和深度学习模型的安全关键系统(如自动驾驶汽车)被广泛接受的一个主要问题。这种机器学习系统需要质量保证框架,但没有广泛接受和建立的质量保证概念和技术。与此同时,开放的问题和相关的技术领域没有组织。为了建立标准的质量保证框架,有必要以跨学科的方式将这些开放问题可视化和组织起来,以便来自许多不同技术领域的专家可以深入讨论这些问题并制定解决方案。在本研究中,我们以自动驾驶汽车为例,识别、分类和探索安全关键机器学习系统质量保证中的开放问题,以及相关的相应行业和技术趋势。我们的研究结果表明,解决这些开放性问题需要整合来自几个不同技术和工业领域的知识,包括汽车工业、统计学、软件工程和机器学习。
2018-12-07 cs.CY cs.LG stat.ML
Mill.jl and JsonGrinder.jl: automated differentiable feature extraction for learning from raw JSON data
Avast(爱维士)
从原始数据输入中学习,从而限制了对手动特征工程的需要,是机器学习方法的许多成功应用的关键组成部分之一。虽然机器学习问题通常是在自然转换为适合分类器的向量表示的数据上制定的,但例如在网络安全中,存在自然表示在具有统一分层结构的不同文件中的数据源,例如XML,JSON和协议缓冲区。将这些数据转换为矢量(张量)表示通常是通过手动特征工程来完成的,这是费力的,有损的,并且容易受到人类对特定特征重要性的偏见。Mill和JsonGrinder是一组库,可以完全自动化转换。从任意一组JSON样本开始,他们创建了一个可区分的机器学习模型,能够从原始形式的JSON样本中进行推断。
2021-05-19 cs.LG cs.MS stat.ML
Towards Engineering Fair and Equitable Software Systems for Managing Low-Altitude Airspace Authorizations
Iowa State University(爱荷华州立大学);University of Notre Dame(圣母大学)
本研究调查利益相关者对自动化无人机交通管理授权系统的看法,发现飞行特性和环境条件最受重视,并强调透明度与公平性对系统设计的重要性。
2024-02-03 cs.AI cs.LG cs.SE
Automated Machine Learning for Remaining Useful Life Predictions
USU Software AG(USU软件公司);Esslingen University of Applied Sciences(埃斯林根应用科学大学);Leibniz University Hannover(汉诺威莱布尼茨大学);University of Stuttgart(斯图加特大学);Fraunhofer IPA(弗劳恩霍夫制造工程与自动化研究所)
针对剩余使用寿命预测需机器学习专业知识的痛点,提出AutoRUL——基于AutoML的端到端集成预测方法,在8个数据集上性能比肩手工构建的先进模型,降低了领域专家的使用门槛。
2025-01-17 cs.AI cs.LG
Automated Meta Prompt Engineering for Alignment with the Theory of Mind
IBM
提出自动化元提示与 LLMaaJ 强化学习框架,通过建模人类编辑和 Hilbert 空间内容特征实现 ToM 对齐,并在美网等现场内容生产中验证效果。
2025-05-13 cs.AI cs.CL cs.LG
The Landscape of R Packages for Automated Exploratory Data Analysis
具有大量异构变量的大型但有噪声的数据集的可用性越来越高,导致人们对数据分析的常见任务的自动化越来越感兴趣。这个过程中最耗时的部分是探索性数据分析,这对于更好地理解领域、数据清理、数据验证和特征工程至关重要。有越来越多的库试图自动化一些典型的探索性数据分析任务,使搜索新的见解更容易和更快。在本文中,我们提出了一个系统的审查现有的自动化探索性数据分析(autoEDA)的工具。我们探讨了12个流行的R软件包的功能,以确定可以有效地自动化与当前的工具分析的部分,并指出进一步autoEDA开发的新方向。
2019-09-18 cs.LG stat.CO stat.ML