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

研究提出了 XAutoML，一种与 JupyterLab 整合的交互式可视化分析工具，结合可解释的人工智能（XAI）技术，使完整的自动机器学习（AutoML）过程透明且可解释，并在用户研究中证明了其对自动机器学习流程的理解和优化的贡献。

Feb, 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

本研究通过对 19 名 AutoML 用户进行半结构化访谈，发现用户在实际应用中需要面对可定制性、透明度和隐私等方面的限制，并采取一定策略来应对，最终对 AutoML 的使用产生影响。研究结果提出了未来开发 AutoML 解决方案的设计建议。

Feb, 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

本研究提供了一种系统的方法来将社会科学信任概念与建立在人工智能服务和产品上使用的机器学习技术相关联，探讨了四种类别的机器学习技术 (公平性、可解释性、可审计性和安全性) 如何影响人们的信任，并介绍了在 AI 系统生命周期的不同阶段建立信任的技术需求。

Nov, 2019

研究人员探究了人们在处理两项困难任务时，对机器学习（ML）建议的信任程度；他们发现，即使人们了解这些任务，并给出了表明该系统不自信的信息，但在执行大部分时间正确的任务时，人们也会相信错误的 ML 建议，并且提供了四种不同类型的系统信息可增加人们对建议的信任，并且数学和逻辑技能对于使用 ML 建议的决策者来说可能与 ML 一样重要。

May, 2020

该研究讨论了 AutoAI 或 AutoML 对数据科学实践的影响，并发现未来的数据科学工作将是人类和 AI 系统之间协作的结果，其中自动化和人类专业知识是不可或缺的。

Sep, 2019

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