本研究的主要目标是了解数据流挑战（例如概念漂移）对自动化机器学习（AutoML）方法的性能产生的影响，并评估 6 种概念漂移适应策略在不同 AutoML 方法上的有效性。该研究在现实世界和合成数据流上进行了实证评估，提出方法来开发更复杂和更健壮的 AutoML 技术，包括贝叶斯优化、遗传编程和随机搜索自动堆叠等方法。

Jun, 2020

本文综述了现有的自动机器学习工具，包括开源和商业工具，并阐述了一个评估自动机器学习解决方案在实际应用中表现良好的框架，该框架考虑了各方利益和人机交互。此外，通过对学术和商业案例研究的广泛评估和比较，本综述也评估了 AutoML 在 2020 年代初的主流参与度，并确定了加速未来普及的障碍和机遇。

Nov, 2022

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

本研究旨在针对数据漂移自动设计在线学习的管道，将在线学习器的固有适应能力与自动化管道的快速优化能力结合起来，我们基于异步遗传编程和异步连续缩减思路优化管道，实验证明了 OAML 系统在数据漂移情况下相比流行的在线学习算法具有更好的性能和适应能力，连续管道重新设计在处理数据漂移问题时效果显著。

Jan, 2022

本研究致力于为 AutoML 场景中处理不断变化的数据分布、生命周期学习和概念漂移检测提供一种可行的解决方案，通过扩展 Auto-Sklearn 的机制和技术，并通过基准数据的实验结果证明了所提出的方法的有效性。

Jul, 2019

本文介绍了基于数据流的机器学习的概念，提出了流式高效学习的概念，通过初步理论框架的介绍，探讨了在资源受限和时间要求的情况下，如何处理收到的数据以提高学习性能。

May, 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

这篇论文概述了 AutoML 在增量学习方面的潜力，强调了 AutoML 在增量学习中改进深度表示和自适应学习以适应更多真实世界任务的关键领域。

Nov, 2023

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

该论文提出了一种基于强化学习的在线流式元主动学习方法，它从数据中直接学习信息度量，并结合模型训练来训练主动学习器，可应用于一般类别的分类问题，优于现有最先进的方法。

Mar, 2022