STREAMLINE 是一个简单、透明、端到端的自动化机器学习 (pipeline),旨在比较数据集、机器学习算法和其他 AutoML 工具的性能,在数据处理、模型比较方面提供一个全面和一致的基准。
Jun, 2022
本文研究机器学习中的自动化算法选择与超参数调整问题,以及 AutoML 流程的其他步骤,总结现有技术与工具,探讨未来研究方向和挑战。
Jun, 2019
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
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
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
AlphaD3M 使用自我博弈的强化学习实现 AutoML 并创造最新状态,之后通过运用管道语法和预训练模型进一步改进,取得了 AutoML 分类和回归任务基准数据集方面的表现优于现有方法的结果。
May, 2019
使用静态框架 WALA 对使用 TensorFlow 的机器学习代码进行静态分析和数据流分析,以跟踪张量的类型和用法,提高 Python 机器学习代码的错误检测能力。
May, 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
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