本文提出了一种基于树的管道自动优化概念来自动化机器学习中最繁琐的步骤 —— 管道设计。作者提出了开源的 Python “基于树的管道优化工具”（TPOT），并在一系列模拟和真实的基准数据集上表明其有效性，该工具可以设计机器学习管道，该管道相比基本机器学习分析提供了显著改进，并且需要很少或没有用户输入和先前知识。作者还将 TPOT 偏向于设计过于复杂的管道的趋势与 Pareto 优化相结合，从而产生紧凑的管道而不牺牲分类准确性。因此，该工作代表了完全自动化机器学习管道设计的重要一步。

Mar, 2016

本研究介绍了一种改进版的自动机器学习工具 Layered TPOT，它采用了修改过的进化算法来根据适应度对候选 pipeline 进行评估，并在不同样本大小的 pipeline 之间提供分离的比较，从而在更短的时间内获得与 TPOT 一样优秀的 pipeline 模型。

Jan, 2018

通过整合 AutoML 与数据管道，优化数据流的自动化机器学习方法并构建高效的数据管道以适应不断变化的数据环境，从而在机器学习任务中取得更好的结果。

Feb, 2024

本文介绍了一种基于 AutoML 框架的 eTOP 框架，该框架可以决定在执行到 Pipeline 中的哪个步骤时停止计算以加快训练时间，该框架同时还减少了与 MLBox4 结合使用时的计算资源消耗。

Apr, 2023

本文提出了一种新的 AutoML 系统，利用矩阵和张量分解作为代理模型，通过贪心实验设计协议来高效收集有关新数据集的信息，从而解决数据科学家在选择适当的监督式学习模型时面临的挑战。经过对大型实际分类问题的实验，证明了这种方法的有效性。

Jun, 2020

本文通过在自动化机器学习系统 Tree-based Pipeline Optimization Tool（TPOT）中的机器学习管线中进行实验，比较了两种常用的父母选择方法的作用，结果表明，相对于 NSGA-II 选择方案，lexicase 选择方案能够显著提高收敛速度；我们还使用包含有关在特定运行中探索的管道信息的 trie 数据结构比较了这些选择方法对搜索空间部分的探索。

Feb, 2023

通过使用隐藏变体的阴影管道自动检测潜在问题、尝试修改以改善性能并向用户提出和解释这些修改的建议，我们提出在机器学习管道开发周期中通过交互式建议来支持数据科学家，并应用基于增量视图维护的优化来确保低延迟计算和维护阴影管道的可行性和潜在好处。

Apr, 2024

本文提出了一种名为 SapientML 的自动机器学习技术，通过从现有数据集中学习人类编写的管道，实现针对新数据集的高质量管道的快速生成，采用了一种三阶段程序合成方法来进行搜索空间的有效管理。评估结果表明，在 41 个基准数据集中，SapientML 在 27 个基准数据集上的表现最佳或与最佳工具相当。

Feb, 2022

通过构建一个自动化的流水线以及实验，我们在仅需人工筛选的 2 周时间内，取得了非常高的准确性和泛化能力，从而使得系统能够自动完成系统性评论过程的主要步骤，包括文件搜索、文件选择以及数据提取。

Oct, 2020

STREAMLINE 是一个简单、透明、端到端的自动化机器学习 (pipeline)，旨在比较数据集、机器学习算法和其他 AutoML 工具的性能，在数据处理、模型比较方面提供一个全面和一致的基准。

Jun, 2022