通过交互式 AutoML 演化机器学习工作流

自动工作流组合（AWC）是自动化机器学习（AutoML）中的一个相关问题，它允许找到合适的预处理和预测模型序列及其最优超参数。这个问题可以使用进化算法来解决，特别是语法引导的遗传编程（G3P）。当前的 AWC G3P 方法定义了一个固定语法，形式化地规定了工作流元素如何组合以及可以包含哪些算法。在本文中，我们提出了 \ourmethod，一种交互式 G3P 算法，允许用户动态修改语法以剪枝搜索空间并聚焦于其感兴趣的区域。我们的方案是首次将 G3P 方法的优势与交互式优化和人类引导的机器学习（human-guided machine learning）的思想相结合，后者在 AutoML 背景下鲜有探索。为了评估我们的方法，我们提出了一项实验研究，其中 20 名参与者与 \ourmethod 交互以根据其偏好演化工作流。我们的结果证实，\ourmethod 与人类之间的协作使我们能够找到在准确性方面高性能的工作流，且所需的调整时间少于无人工干预找到的工作流。