本文介绍了基于元强化学习使用序列模型自我训练的 AlphaD3M 自动机器学习系统。与 Autosklearn、Autostacker 和 TPOT 等最先进的 AutoML 系统相比，AlphaD3M 具有相当的性能优势并且具有可解释性，其计算时间从几小时缩短为几分钟。

Nov, 2021

提出了 GramML 的扩展方法，支持更大的搜索空间，包括超参数搜索，通过 OpenML 基准测试发现与其他最新技术相比有显著的改进。

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

本文提出了一种元学习方法，利用先前的元数据自动搜索高性能的机器学习管道以完成模型选择和超参数优化，该方法结合自适应贝叶斯回归模型、神经网络基函数和贝叶斯优化的收获函数，能够在监督分类数据集上高效地搜索预定义的候选管道，实验结果表明，该方法在一系列测试数据集上能够快速确定高性能的机器学习管道，并胜过基线方法。

Apr, 2019

本研究旨在针对数据漂移自动设计在线学习的管道，将在线学习器的固有适应能力与自动化管道的快速优化能力结合起来，我们基于异步遗传编程和异步连续缩减思路优化管道，实验证明了 OAML 系统在数据漂移情况下相比流行的在线学习算法具有更好的性能和适应能力，连续管道重新设计在处理数据漂移问题时效果显著。

Jan, 2022

自动化机器学习（AutoML）是一个研究领域，专注于开发自动生成机器学习模型的方法。本文提出了一个建立通用 AutoML 系统的参考框架，并通过对该领域主要方法的叙述性回顾，提炼了基本概念以支持其设计，并讨论了 AutoML 应用中的一些未解决问题，以供未来研究参考。

Aug, 2023

AutoMMLab 是一个通用的、基于 LLM（语言模型）驱动的 AutoML 系统，通过用户友好的语言界面，自动化计算机视觉任务的整个模型生产流程，并利用 LLM 作为桥梁连接 AutoML 和 OpenMMLab 社区，使非专家个体能够轻松构建特定任务的模型。

Feb, 2024

本文提出了一种基于深度强化学习的三维管道布局自动生成方法，通过定义基于管道长度、弯头和安装距离等三个约束条件的奖励函数，将几何特征上升到训练环境抽象层面，通过与环境的交互来收集数据并训练出 DRL 模型，可以自动设计出高质量的管道布局，取得了比传统算法更短的时间内完成布局任务的效果。

May, 2023

使用迁移学习方法减少神经自动机器学习的计算成本，在语言和图像分类任务中，Transfer Neural AutoML 在单任务训练收敛时间上节省了超过一个数量级。

Mar, 2018

该论文提出了一种以知识驱动的自动机器学习架构，用于管道和深度特征的合成，旨在使自动机器学习过程可解释，并在管道和特征的合成中利用领域知识。该架构探索了几个创新理念：首先，以统一的方式构建管道和深度特征；其次，通过一个共享的知识系统进行合成，可以交互式地查询要使用的管道操作或计算的特征；最后，合成过程在运行时使用部分解决方案和其在数据上应用的结果来进行决策。进行了两个实验来演示所提议的架构的基本实现功能，并讨论了其优势、权衡以及在自动机器学习中的未来潜力。

Nov, 2023