面向气候变化的 AutoML：行动呼吁
机器学习
2022-10-10 v1 人工智能
机器学习
摘要
气候变化给人类带来的挑战催生了一个快速发展的、聚焦气候变化应用的人工智能研究领域。气候变化 AI（CCAI）社群致力于一组多样且具挑战性的问题，常涉及物理约束的 ML 或异质时空数据。若能使用自动化机器学习（AutoML）技术为给定数据集自动寻找高性能架构与超参数，将十分理想。本工作中，我们在三个高杠杆 CCAI 应用上基准测试了流行的 AutoML 库：气候建模、风电功率预测与催化剂发现。我们发现，开箱即用的 AutoML 库目前未能有意义地超越人工设计的 CCAI 模型性能。然而，我们也识别出若干关键弱点，其源于大多数 AutoML 技术是为计算机视觉与 NLP 应用量身定制。例如，虽已为图像与语言数据设计了数十种搜索空间，却无任何一种为时空数据设计。解决这些关键弱点可带来在众多 CCAI 应用中产生实质性能增益的新架构发现。因此，我们向 AutoML 社群发出行动呼吁，因为在面向 CCAI 的 AutoML 领域存在若干具体且前景可期的研究方向。我们在 https://github.com/climate-change-automl/climate-change-automl 发布了代码与资源列表。
引用
@article{arxiv.2210.03324,
title = {AutoML for Climate Change: A Call to Action},
author = {Renbo Tu and Nicholas Roberts and Vishak Prasad and Sibasis Nayak and Paarth Jain and Frederic Sala and Ganesh Ramakrishnan and Ameet Talwalkar and Willie Neiswanger and Colin White},
journal= {arXiv preprint arXiv:2210.03324},
year = {2022}
}