ترجمه فارسی مقاله انتخاب گروهی آگاه از سخت‌افزار برای ایجاد تعادل بین دقت پیش‌بینی و هزینه

چکیده

Automated Machine Learning (AutoML) significantly simplifies the deployment of machine learning models by automating tasks from data preprocessing to model selection to ensembling. AutoML systems for tabular data often employ post hoc ensembling, where multiple models are combined to improve predictive accuracy. This typically results in longer inference times, a major limitation in practical deployments. Addressing this, we introduce a hardware-aware ensemble selection approach that integrates inference time into post hoc ensembling. By leveraging an existing framework for ensemble selection with quality diversity optimization, our method evaluates ensemble candidates for their predictive accuracy and hardware efficiency. This dual focus allows for a balanced consideration of accuracy and operational efficiency. Thus, our approach enables practitioners to choose from a Pareto front of accurate and efficient ensembles. Our evaluation using 83 classification datasets shows that our approach sustains competitive accuracy and can significantly improve ensembles’ operational efficiency. The results of this study provide a foundation for extending these principles to additional hardware constraints, setting the stage for the development of more resource-efficient AutoML systems.

چکیده به فارسی (ترجمه ماشینی)

یادگیری خودکار ماشین (AUTOML) با استفاده از اتوماسیون وظایف از پیش پردازش داده ها تا انتخاب مدل به گروه ، به طور قابل توجهی استقرار مدل های یادگیری ماشین را ساده می کند.سیستم های AUTOM برای داده های جداول اغلب از گروه های تعقیم پست استفاده می کنند ، که در آن چندین مدل برای بهبود دقت پیش بینی ترکیب می شوند.این به طور معمول منجر به زمان استنباط طولانی تر ، محدودیت عمده در استقرار عملی می شود.با پرداختن به این موضوع ، ما یک رویکرد انتخاب گروه آگاه سخت افزاری را معرفی می کنیم که زمان استنتاج را در گروه های تعقیب و گریز ادغام می کند.با استفاده از یک چارچوب موجود برای انتخاب گروه با بهینه سازی تنوع با کیفیت ، روش ما نامزدهای گروه را برای دقت پیش بینی کننده و کارآیی سخت افزار خود ارزیابی می کند.این تمرکز دوگانه امکان توجه متعادل از دقت و کارآیی عملیاتی را فراهم می کند.بنابراین ، رویکرد ما پزشکان را قادر می سازد از جلوی پارتو از گروههای دقیق و کارآمد انتخاب کنند.ارزیابی ما با استفاده از 83 مجموعه داده طبقه بندی نشان می دهد که رویکرد ما دقت رقابتی را حفظ می کند و می تواند کارایی عملیاتی گروه ها را به میزان قابل توجهی بهبود بخشد.نتایج این مطالعه پایه ای برای گسترش این اصول به محدودیت های سخت افزاری اضافی ، تعیین مرحله برای توسعه سیستم های اتوماتیک با منابع بیشتر است.