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

提出了 GAMA（一种新型通用大型音频语言模型）来解决非语音声音和非语言言语的感知和理解问题。通过集成 LLM 与多种音频表示形式以及利用合成生成的指令调节数据集对其进行训练，实现了音频理解和复杂推理的能力。通过自动化和专家评估，表明 GAMA 在各种音频理解任务中表现优于文献中其他 LALM 模型，具有 1%-84% 的优势。

Jun, 2024

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

通过 GAM Changer 这个开源的互动系统，使用可视化技术使得机器学习领域的数据科学家和领域专家能够轻松地分析、验证、调整他们的广义可加模型，从而消除模型中潜在的不可取的模式。

Dec, 2021

AutoML-GPT 是一种使用大型语言模型和任务导向提示的自动化训练管道，可自动处理数据、选择最佳模型架构和超参数优化，并在计算机视觉、自然语言处理等领域实现了显著的结果，对于许多 AI 任务具有广泛的适用性。

May, 2023

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

该研究提出了一个多语言机器阅读理解系统并提供了前端演示，可以处理布尔值问题并提供支持证据和突出答案，也可以处理抽取式问题，通过突出显示段落中的答案来回答问题，该系统利用两种不同的实现方式，一种包括几个独立的 transformers 堆栈，另一种是使用适配器的单个 transformer 堆栈。该系统为 tydi QA 排行榜上的第一名。

Jun, 2022

AutoGL 是首个自动机器学习图形的库，我们提出了包含四个模块的自动机器学习流程：自动特征工程、模型训练、超参数优化和自动集成，其中每个模块都提供了多种最先进的方法和灵活的基类和 API。

Apr, 2021

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

本研究提出了 GAM Coach，一种新型的开源系统，采用整数线性规划生成可定制的事后解释，并使用交互式可视化，使最终用户可以迭代地生成满足其需求的回应计划。用户研究表明，我们的工具可用且有用，并且用户更喜欢个性化的回应计划。对于普通用户，透明度可以增加发现机器学习模型中反直觉模式的机会。

Feb, 2023