本文综述了现有的自动机器学习工具，包括开源和商业工具，并阐述了一个评估自动机器学习解决方案在实际应用中表现良好的框架，该框架考虑了各方利益和人机交互。此外，通过对学术和商业案例研究的广泛评估和比较，本综述也评估了 AutoML 在 2020 年代初的主流参与度，并确定了加速未来普及的障碍和机遇。

Nov, 2022

本文通过对 GitHub 上的开源项目进行调研，分析了当前机器学习从业者使用自动化机器学习工具的情况，研究结果表明 AutoML 工具已经广泛应用于机器学习的许多领域，可以极大的提高特征工程、模型训练和超参数优化的效率。

Aug, 2022

人工智能和机器学习的广泛应用导致公司难以招聘深入了解这些技术的员工，在此背景下，自动机器学习 (AutoML) 正以一种有希望的解决方案迅速崛起，旨在自动化构建端到端的人工智能 / 机器学习流水线，这通常会由专门的团队成员进行工程设计。本文通过对 12 个端到端自动机器学习工具在两个软件工程数据集上的基准测试和用户调查以及随后的访谈构成的混合方法研究，填补了这些信息缺口，并且发现 AutoML 解决方案可以在软件工程领域的分类任务中生成超过研究人员训练和优化的模型，并且当前可用的 AutoML 解决方案并不能完全支持 ML 开发工作流程的自动化和团队成员的需求。本研究结果为软件工程研究界提供了有关如何利用 AutoML 促进其活动以及工具构建者如何设计下一代 AutoML 技术的见解。

Jul, 2023

本文介绍了 AutoML 问题的定义和解决方案，项目分类和现有工作的审查，并提出了一个 AutoML 框架以减少对人类专家的需求和提高学习性能。

Oct, 2018

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

本文分析了自动机器学习在企业分析应用中的潜力，并将 H2O AutoML 框架与手工调整的 ML 模型在三个真实数据集上进行了基准测试，发现 H2O AutoML 框架快速、易用、可靠，表现接近手工调优的 ML 模型，是一个有价值的工具，能够支持快速原型设计，缩短开发和部署周期，并能够弥合 ML 专家供需之间的差距。

May, 2022

本文综述了自动机器学习领域中的最新研究进展，包括数据准备、特征工程、超参数优化和神经架构搜索等方面，并着重探讨了神经架构搜索的性能和发展方向，指出目前自动机器学习领域的存在的问题及未来研究方向。

Aug, 2019

评估和比较了六种流行的自动机器学习框架在 100 个数据集上的性能，并考虑了时间预算、搜索空间大小、元学习和集成构建等因素对比较的影响，结果揭示了多种有趣的见解。

Apr, 2022

本研究比较了多种 AutoML 工具在开源数据集上的表现，发现 auto-sklearn 在分类数据集上表现最佳，而 TPOT 在回归数据集上表现最佳。

Aug, 2018

本文介绍一种新的基准来研究不同的自动机器学习方法如何受标签不平衡的影响。其次，提出了更好地处理不平衡的策略并将它们整合到现有的自动机器学习框架中。最后，对这些策略的影响进行了系统研究，发现它们的加入显著增强了自动机器学习系统对标签不平衡的鲁棒性。

Nov, 2022