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

本文介绍了自动化机器学习技术（AutoML）的研究现状，重点评估了多种AutoML工具在不同数据集、不同数据段上的表现和优缺点。

Aug, 2019

这篇综述旨在推广对自动化/自主机器学习系统的更广阔视角，并探讨整合各种机制和理论框架的最佳方式。主要介绍超参数优化、多组件模型、神经架构搜索、自动特征工程、元学习、多层集成、动态自适应、多目标评估、资源限制、灵活的用户参与和泛化原则的发展。最终得出结论，建立自动化机器学习系统的架构整合是一个值得更深入探讨的重要问题。

Dec, 2020

提出了一种AutoML系统，其构建了可解释的加法模型，使用高度可扩展的分量提升算法进行拟合，提供了易于模型解释的工具，并且在预测性能上与其他基于AutoML比较系统相媲美，更易于使用和透明。

Sep, 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

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

本文提出了一种名为Caml的元学习方法，可以自动适应其自身AutoML参数，以优化特定任务的高性能管道，并可以考虑用户定义的应用约束条件，以获得满足约束条件的高预测性能的管道。

Jun, 2023

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

自动化机器学习（AutoML）的全面潜力在于解决目前未充分探索的用户与AutoML系统的交互方面，包括其不同角色、期望和专业知识，促进未来AutoML研究中更加以人为中心的方法，推动紧密整合人类专业知识和自动化机器学习方法的ML系统的协作设计。

Jun, 2024