本文讨论了Scikit-learn机器学习库API的设计选择，其中强调了可重用性和组合性，并评论了该库用户和开发者所面临的障碍。

Sep, 2013

介绍了 OpenML，这是一个用于分享和组织详细数据以更有效地工作、更可见和与他人合作解决更困难问题的机器学习研究者的场所，探讨了OpenML与其他网络科学实例的关系以及对机器学习研究、科学家和学生从业者带来的好处。

Jul, 2014

本文介绍了一个R包与Online机器学习平台OpenML的接口，并展示了在结合使用机器学习R软件mlr时的使用。OpenML平台可帮助R用户轻松搜索、下载和上传数据集和机器学习任务，自动化大部分繁琐的工作，促进协作，加速研究，增加用户的在线可见性。

Jan, 2017

本研究旨在提出可用于机器学习算法基准测试的 OpenML 基准测试集合，以标准化基准测试的设置、执行和报告，并提供一种针对分类任务的基准测试套件：OpenML Curated Classification benchmarking suite 2018。

Aug, 2017

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

介绍了一种名为secml的Python库，用于计算机安全和可解释性机器学习，通过实现针对机器学习的攻击来评估算法的安全性，并提供可解释性方法来帮助理解攻击成功的原因

Dec, 2019

Python机器学习领域的综述，研究使用Python核心硬件和软件范例（如深度神经网络和可扩展GPU计算）来处理海量数据和降低人工智能的使用门槛。

Feb, 2020

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

Assembled-OpenML是一个Python工具，可构建元数据集以在AutoML框架中使用集成学习技术，从而避免了基础模型的重复训练和评估。

Jul, 2023

利用MLXP工具，可以简化实验流程，降低操作难度，并确保高度的复现性。

Feb, 2024