面向无监督表格任务的自动机器学习
机器学习
2025-10-14 v2
摘要
在本工作中，我们提出了 LOTUS (Learning to Learn with Optimal Transport for Unsupervised Scenarios)，一种简单而有效的方法，用于执行多个无监督机器学习 (ML) 任务（如异常检测和聚类）的模型选择。我们的方法直觉是：如果机器学习管道在具有相似数据分布的已标记数据集上表现良好，则在新数据集上也可能表现良好。我们使用 Optimal Transport 距离查找这些相似性，并在两个下游无监督任务（异常检测和聚类）上推荐统一的单一方法。我们通过对强基线的实验表明，我们的方法在无监督 ML 任务的模型选择方面是一个非常有前景的第一步。
引用
@article{arxiv.2510.07569,
title = {Automated Machine Learning for Unsupervised Tabular Tasks},
author = {Prabhant Singh and Pieter Gijsbers and Elif Ceren Gok Yildirim and Murat Onur Yildirim and Joaquin Vanschoren},
journal= {arXiv preprint arXiv:2510.07569},
year = {2025}
}
备注
Accepted at Machine Learning Journal, 2025