TY  - THES
AB  - Das Ziel des automatisierten maschinellen Lernens (AutoML) ist es, zugeschnitten auf einen gegebenen Datensatz, Algorithmen des maschinelle Lernens (ML) zu wählen, zu konfigurieren und in Form von ML-Pipelines zu kombinieren. Für überwachte Lernaufgaben, insbesondere binäre und multinomiale Klassifikation, auch als Single-Label-Klassifikation (engl.: single-label classification; SLC) bezeichnet, haben solche AutoML-Ansätze vielversprechende Ergebnisse geliefert. Die Aufgabe der Multi-Label-Klassifikation (engl.: multi-label classification; MLC), bei der Datenpunkte nicht nur mit einem sondern einer Menge von Klassenlabels assoziiert werden, hat bisher deutlich weniger Aufmerksamkeit erhalten. Im Kontext von MLC ist die datenspezifische Auswahl und Konfiguration von Multi-Label-Klassifikatoren selbst für Experten auf diesem Gebiet eine Herausforderung, da es sich um ein hochdimensionales Optimierungsproblem mit hierarchischen Abhängigkeiten über mehrere Ebenen hinweg handelt. Während der Raum von ML-Pipelines für SLC bereits sehr viele Kandidaten umfasst, übertrifft die Größe des MLC-Suchraums die des SLC-Suchraums um ein Vielfaches.Im ersten Teil dieser Arbeit wird ein neuartiger AutoML-Ansatz für SLC-Aufgaben entwickelt, der ML-Pipelines optimiert, die aus maximal zwei Algorithmen bestehen. Außerdem untersuchen wir, wie gut Ansätze, die den Stand der Technik im Bereich AutoML für SLC-Aufgaben bilden, mit der erhöhten Komplexität des AutoML Problems für MLC skalieren.Im zweiten Teil wird untersucht, wie Methoden für SLC und MLC flexibler konfiguriert werden können, um die zur Verfügung stehenden Daten besser zu generalisieren, und wie die Effizienz von ausführungsbasierten AutoML-Systemen mit Hilfe von Laufzeitvorhersagen für ML-Pipelines gesteigert werden kann.
AU  - Wever, Marcel Dominik
CY  - Paderborn
DA  - 2022
DO  - 10.17619/UNIPB/1-1302
DP  - Universität Paderborn
LA  - eng
N1  - Tag der Verteidigung: 03.11.2021
N1  - Universität Paderborn, Dissertation, 2021
PB  - Veröffentlichungen der Universität
PY  - 2022
SP  - 1 Online-Ressource (xii, 185 Seiten)
T2  - Institut für Informatik
TI  - Automated machine learning for multi-label classification
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-40614
Y2  - 2024-09-22T18:25:16
ER  -