AutoML makes machine learning more efficient and accessible to users without extensive technical knowledge. One of the approaches to AutoML is meta-learning, which deals with the question of how models or algorithms can learn or adapt more efficiently based on experience from previous learning processes. For meta-learning models, an efficient representation of such previous knowledge is required. We address this challenge with knowledge graphs, which offer more scalability than relational databases. In particular, we use the Open Research Knowledge Graph (ORKG) as it already contains resources suitable for meta-learning. We identify the most commonly used meta-features, analyze existing machine learning schemes to check their applicability for representing meta-learning, ingest the meta-features and knowledge of ML experiments into the ORKG, and finally implement a meta-learning model using ORKG data. The model allows us to find relevant ORKG contributions given a new dataset.
Durch die Automatisierung der Modellentwicklung wird der Prozess effizienterund auch für Benutzer ohne umfassende technische Kenntnisse zugänglich. EineMöglichkeit, die Entwicklung von Modellen zu automatisieren, ist Meta-Learning.Meta-Learning ist ein Bereich des automatisiertes maschinellen Lernens, der sichmit der Frage beschäftigt, wie Modelle oder Algorithmen entwickelt werden können,um effizienter zu lernen oder sich anzupassen, basierend auf Erfahrungen aus früherenLernprozessen. Um die Anpassungsfähigkeit und Leistungsfähigkeit von Meta-Learning-Modellen zu verbessern, ist eine effiziente Repräsentation und Speicherung von Wissenerforderlich. Zunächst ist zu erwähnen, dass Knowledge Graphen für die Speicherungvon Meta-Learning geeignet sind. Insbesondere der Open Research KnowledgeGraph (ORKG) enthält bereits einige geeignete Graphmodelle, die mehr Flexibilitätbieten als der Rational Graph.Unser Problem ist: Wie kann Wissen für Meta-Learning skalierbar repräsentiert undgespeichert werden?Wir können dies erklären, indem wir existierende maschinelle Lernschemen analysieren,um ihre Anwendbarkeit für Meta-Learning zu prüfen und die wichtigstenMeta-Features zu identifizieren, dann die Meta-Features und das Wissen über MLExperimentein ORKG für eine bessere Repräsentation einfügen und schließlich einMeta-Lernmodell unter Verwendung von ORKG-Daten entwickeln. Wir haben amEnde ein KNN-Modell entwickelt, das die nächsten Nachbarn des Datasets basierendauf den Meta-Features berechnet. Damit lassen sich relevante ORKG Contributionsüber ähnliche Datensätze hinweg finden. Am Ende haben wir auch Testdatensätzemit verschiedenen Werten erstellt, um die Genauigkeit zu berechnen.