https://www.toutiao.com/a6698935337843950087/

【新智元導讀】 MIT、香港科技大學和浙江大學的研究人員開發了一種互動式工具，首次實現讓使用者對自動化機器學習（AutoML）系統的工作方式和流程進行檢視和控制，提高系統定製化程度，向開啟機器學習“黑盒子”的目標邁進了一大步。

為特定任務設計機器學習模型（如影象分類，疾病診斷和股市預測等）是一個艱鉅而耗時的過程。研究人員首先要從多種不同的演算法中進行選擇來構建模型。然後在模型開始訓練之前，手動調整“超引數”，確定模型的整體結構。

近期出現的自動機器學習（AutoML）系統可以對演算法和超引數進行迭代式的測試和修改，並在此過程中選擇最適合的模型。但系統的執行機制是不透明的，相當於一個“黑盒子”，也就是說系統選擇了什麼技術、什麼模型，使用者是看不見的。因此，使用者就可能不信任模型給出的結果，而且很難根據自己的搜尋需求來對系統進行定製。

定製化AutoML工具：模型自選，超引數自調

近日，在ACM CHI計算系統中人的因素會議上，麻省理工學院，香港科技大學和浙江大學的研究人員共同研發出一種工具， 將AutoML方法的分析和控制權給到使用者手中。

該工具名為ATMSeer，它將AutoML系統、資料集和有關使用者任務的一些資訊作為輸入，然後在使用者友好型的介面內實現視覺化搜尋過程，介面中還能提供更多關於模型效能的深入資訊。

“使用ATMSeer，使用者可以自己選擇和觀察AutoML系統是如何工作的，”該研究論文的共同作者之一Kalyan Veeramachaneni說道，他是麻省理工學院資訊與決策系統實驗室（LIDS）的首席研究科學家，負責將資料引入AI團隊。 “使用者可以只選擇一些效能最好的模型，或者結合其他因素或某些領域的專業知識，來指導AutoML系統去搜尋某些特定模型。”

在對AutoML新手的案例研究中，研究人員發現大約85％使用ATMSeer的人對系統選擇的模型充滿信心。幾乎所有參與者都表示，該工具讓使用AutoML系統變得更舒服了。

ATMSeer會生成一個使用者友好的介面，顯示有關所選模型效能的深入資訊，以及可調整的演算法和引數的選項。

ATMSeer自動機器學習定製化工具的使用者友好型互動介面

“資料視覺化是實現人與機器之間更好協作的有效方法。ATMSeer體現了這一理念， ”論文合作者之一、香港科技大學的Wang Qianwen說。 “ATMSeer主要會讓機器學習從業者受益，無論他們從事什麼領域，專業水平如何，都能獲益。ATMSeer可以緩解手動選擇機器學習演算法和調整超引數的不便。”

便捷視覺化工具實現“可視即可調”

ATMSeer工具的核心是一款定製的AutoML系統 ，名為“自動調整模型”（ATM），由Veeramachaneni等研究人員在2017年開發。與傳統的AutoML系統不同的是，ATM在嘗試擬合模型時會對所有搜尋結果進行完整的編目。

ATM將任何資料集和編碼預測任務作為輸入。系統隨機選擇演算法類別 ，比如神經網路，決策樹、隨機森林和邏輯迴歸， 並選擇模型的超引數， 如決策樹的大小或神經網路層數等。

然後，系統針對資料集執行模型，迭代式調整超引數，並衡量模型效能。ATM利用掌握到了模型效能來選擇另一個模型。最後，由系統針對任務輸出幾個表現最理想的模型。

訣竅在於， 每個模型基本上可以被視為帶有一系列變數的資料點：這裡說的變數包含演算法，超引數和效能。 在此基礎上，研究人員設計了一套系統，在指定的圖形和圖表上繪製資料點和變數。以此為起點，開發了一系列新技術，能夠實時重新配置資料。 “亮點在於，使用這些工具， 你能夠視覺化的任何東西，都可以修改。 ”史密斯說。

類似的視覺化工具專門用於分析一種特定的機器學習模型，並能夠在有限的搜尋空間內實現定製化。“因此，這些工具可以為分析和觀察AutoML的執行流程提供了有限的支援，還需要對許多搜尋模型的配置進行分析。相比之下，ATMSeer支援分析使用各種演算法生成的機器學習模型。”

將AutoML控制權交給使用者，使用體驗和信心明顯提升

ATMSeer的視覺化介面由三部分組成。使用者可以通過控制皮膚上傳資料集和AutoML系統，並啟動或暫停搜尋過程。下圖是一個概覽皮膚，顯示了基本統計資料，如搜尋的演算法和超引數的數量，還有按降序排列的最佳模型的“排行榜”。Veeramachaneni表示：“如果你不是特別在意技術細節的專家，這可能是你最感興趣的點。”

ATMSeer包含一個“AutoML Profiler”，其中的皮膚包含有關演算法和超引數的深入資訊，這些資訊都可以進行調整。皮膚可以將所有演算法類別表示為直方圖形式，用條形圖顯示演算法效能分數的分佈，範圍為0到10，具體取決於其超引數。用一個單獨的皮膚呈現散點圖，顯示不同超引數和演算法型別的效能折衷。

對沒有AutoML經驗的機器學習專家的案例研究表明，讓使用者掌握控制權確實有助於提高AutoML應用的效能和效率。對生物學、金融等不同科學領域的13位研究生的研究也表明，確定使用者對AutoML的搜尋的自定義關鍵有三點：搜尋的演算法數量、系統執行時間以及查詢表現最好的模型。研究人員表示，這些資訊可用來為使用者量身定製系統。

研究人員表示，目前對AutoML的應用缺乏足夠的靈活性。“現在所有這些資訊都集中在一個地方，如果人們能夠清楚看到幕後發生的事情，有能力控制這些流程，未來對AutoML的應用將跨入一個嶄新的階段。”

參考連結：

https://techxplore.com/news/2019-06-black-automated-machine.html

論文連結：

https://arxiv.org/pdf/1902.05009.pdf

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/29829936/viewspace-2646902/，如需轉載，請註明出處，否則將追究法律責任。