异构环境下进化 AutoML 计算性能的改进
机器学习
2023-01-13 v1 神经与进化计算
性能
摘要
资源密集型计算是限制自动化机器学习解决方案有效性的主要因素。本文提出一种模块化方法，可用于提高基于图结构的建模流水线进化优化的质量。该方法包含多个阶段——并行化、缓存和评估。异构及远程资源可参与评估阶段。所进行的实验证实了所提方法的正确性和有效性。实现的算法已作为开源框架 FEDOT 的一部分提供。
引用
@article{arxiv.2301.05102,
title = {Improvement of Computational Performance of Evolutionary AutoML in a Heterogeneous Environment},
author = {Nikolay O. Nikitin and Sergey Teryoshkin and Valerii Pokrovskii and Sergey Pakulin and Denis Nasonov},
journal= {arXiv preprint arXiv:2301.05102},
year = {2023}
}