EDCA——面向高效流水线的进化数据中心AutoML框架

自动化机器学习（AutoML）因对机器学习（ML）专家需求的增加而广受欢迎，使其能够轻松快速地应用ML技术。AutoML实现使用优化方法来识别给定数据集的最有效ML解决方案，旨在改善一个或多个预定义指标。然而，大多数实现聚焦于模型选择和超参数调优。尽管数据质量是获得高性能ML系统的重要因素，但它通常是AutoML中被忽视的部分，仍然是一项耗时的手动任务。本工作提出了EDCA，一个进化数据中心AutoML框架。除了选择最佳模型和超参数等传统任务外，EDCA通过优化数据处理任务（如数据降维和清洗）来增强给定数据，以满足问题需求。所有这些步骤构成了由进化算法优化的ML流水线。为评估其有效性，EDCA与FLAML和TPOT这两个AutoML基准排名靠前的框架进行了比较。这些框架在相同条件下使用AMLB分类基准数据集进行评估。EDCA在性能上取得了与FLAML和TPOT统计上相似的结果，但训练最终解决方案所用的数据显著更少。此外，EDCA的实验结果表明，使用更少的数据和符合绿色AutoML指南的高效ML算法方面可以实现良好性能。