GPipe 是一种管道并行库，它提供了一种高效进行模型并行化的方式，可以将不同子层序列分别放在不同的加速器上，因此可以有效地将各种不同的网络扩展到巨大的规模，并且能够实现快速的线性加速，通过对两个不同任务的训练，证明了 GPipe 的优势。

Nov, 2018

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

我们提出了一个基于 Web 的一体化流程，能够进行数据预处理、训练、评估和可视化机器学习模型，无需手动干预或编程专业知识，通过集成传统机器学习和深度神经网络模型与可视化，帮助识别、分类、聚类和预测广泛的多模态、多传感器数据，包括图像、语言和一维数值数据，用于药物发现、病原体分类和医学诊断。

Mar, 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

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

本学术论文提出了一种利用领域知识来改进机器学习模型鲁棒性的方法：通过一阶逻辑规则，将领域知识（如不同预测之间的逻辑关系）整合到概率图模型中，提出了基于领域知识加强的机器学习管道（KEMLP），实证表明相比于其他基线算法，给定额外的弱辅助模型之后，本算法在白盒和黑盒两种情况下都能实现更高的鲁棒性，同时保持高的准确率。

Jun, 2021

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

通过使用深度学习模型的不同版本来动态配置批处理大小、复制和模型变体，IPA 系统可以有效地优化准确性、降低成本并满足用户定义的延迟要求。实验结果显示，IPA 可以提高规范化准确性达到 35%，而成本只增加不到 5%。

Aug, 2023

本文提出一种新的神经架构，将 Machine Learning pipeline 的组件嵌入到潜在表示中，通过 Bayesian Optimization 机制中的深度内核高斯过程模型在 meta-datasets 上搜索优化最优的 pipeline 嵌入，实验结果表明 pipeline 嵌入可以在 Pipeline Optimization 中取得最优结果。

May, 2023

本文介绍了 ExeKGLib，这是一个基于知识图谱的 Python 库，允许具有编码技能和最少机器学习知识的用户构建机器学习管道，提高了建立的 ML 工作流程的透明度和可重用性，并与传统 ML 代码进行比较以展示其优势。

May, 2023