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 effizienter
und auch für Benutzer ohne umfassende technische Kenntnisse zugänglich. Eine
Möglichkeit, die Entwicklung von Modellen zu automatisieren, ist Meta-Learning.
Meta-Learning ist ein Bereich des automatisiertes maschinellen Lernens, der sich
mit der Frage beschäftigt, wie Modelle oder Algorithmen entwickelt werden können,
um effizienter zu lernen oder sich anzupassen, basierend auf Erfahrungen aus früheren
Lernprozessen. Um die Anpassungsfähigkeit und Leistungsfähigkeit von Meta-Learning-
Modellen zu verbessern, ist eine effiziente Repräsentation und Speicherung von Wissen
erforderlich. Zunächst ist zu erwähnen, dass Knowledge Graphen für die Speicherung
von Meta-Learning geeignet sind. Insbesondere der Open Research Knowledge
Graph (ORKG) enthält bereits einige geeignete Graphmodelle, die mehr Flexibilität
bieten als der Rational Graph.
Unser Problem ist: Wie kann Wissen für Meta-Learning skalierbar repräsentiert und
gespeichert werden?
Wir können dies erklären, indem wir existierende maschinelle Lernschemen analysieren,
um ihre Anwendbarkeit für Meta-Learning zu prüfen und die wichtigsten
Meta-Features zu identifizieren, dann die Meta-Features und das Wissen über MLExperimente
in ORKG für eine bessere Repräsentation einfügen und schließlich ein
Meta-Lernmodell unter Verwendung von ORKG-Daten entwickeln. Wir haben am
Ende ein KNN-Modell entwickelt, das die nächsten Nachbarn des Datasets basierend
auf den Meta-Features berechnet. Damit lassen sich relevante ORKG Contributions
über ähnliche Datensätze hinweg finden. Am Ende haben wir auch Testdatensätze
mit verschiedenen Werten erstellt, um die Genauigkeit zu berechnen.