Университет ИТМО

Фреймворк генеративного автоматического машинного
обучения FEDOT

FEDOT — это фреймворк для генеративного автоматического машинного обучения, позволяющий создавать сложные композитные модели, обеспечивающие эффективное решение различных прикладных задач и существенно повышающие качество анализа различных технических, природных и социальных процессов.

В то время, как классический AutoML обеспечивает автоматизацию процессов работы с данными и моделями для решения задач (например, оптимизации параметров, отбора признаков, выбора типа модели и пр.); генеративное автоматическое машинное обучение решает задачи выращивания новых data-driven моделей, новых цепочек, ансамблей или других композиций из уже существующих моделей и т.п.

В настоящее время, идеи низкоуровневой «сборки» модели под конкретную постановку проблемы реализованы только в контексте NAS (Neural Architecture Search) направления и в основном для задач распознавания образов. Однако, для всех остальных классов задач и моделей (применение которых может быть более эффективным, чем нейронных сетей) эти подходы не реализованы.

Ключевые преимущества:

— наличие высокоуровневого языка описания задачи, позволяющего очень гибко конфигурировать фреймворк;
— возможность получения моделей с заданным качеством, сложностью, интерпретируемостью (в т.ч. для многокритериальных случаев);
— возможность получать any-time результат, приостанавливать и возобновлять идентификацию модели;
— возможность интегрировать многие популярные Python решения с открытым кодом для AutoML/MetaLearning, оптимизации, оценки качества результата и т.д.;
— повторное использование созданных моделей пользователем или другими пользователями.

Идеи, заложенные в фреймворке FEDOT:

— Машинное обучение (МО) и АвтоМО должно быть более «всеядным».

Фреймворк FEDOT позволит создавать математические модели для решения предметных задач с возможностью привлечения дополнительных предметных знаний (например, в виде предметных моделей или имитации экспертной логики при построении моделей).

— АвтоМО должно быть более простым и гибким в управлении.

Фреймворк FEDOT позволит гибко интегрировать удобные для пользователей решения по управлению задачами МО, а также использовать постоянно пополняемый репозиторий заготовок моделей и генеративных алгоритмов для выращивания собственных решений, что значительно упрощает его использование.

— МО должно быть воспроизводимым.

Фреймворк FEDOT позволит сохранять детальное описание конфигураций моделей и процесса обучения, а также саму выращенную модель, что делает полученные результаты воспроизводимыми.

Структура фреймворка:

— Ядро фреймворка, сконфигурированное под различные классы задач, например, для предсказательного моделирования, создания моделей системной динамики или имитационного моделирования.

— Библиотека с самостоятельными реализациями интеллектуальных композиционных алгоритмов для идентификации data-driven моделей с различными требованиями к структуре и данным.

— Отчуждаемые композитные модели (цепочки моделей) для решения конкретных предметных задач (социо-финансовых, гидрометеорологических, физических и др.).

Примеры, демонстрирующие применение подходов, реализуемых во фреймворке:

— Создание цепочки моделей МО для решения многомасштабного прогнозирования временного ряда гидрометеорологических характеристик

 

 

— Создание цепочки моделей МО для решения задачи кредитного скоринга

 

 

— Создание data-driven модели в дифференциальных уравнениях

 

 

Перейти в репозиторий

 
.

Документация

Публикации

Email для обратной связи: anna.kalyuzhnaya@itmo.ru