auto-sktime 是一个自动化的时间序列预测框架，利用自动机器学习技术来自动构建整个预测流程，针对时间序列数据提出了三项改进，实验结果显示了它的有效性和效率。

Dec, 2023

提出了一种用于智能城市建设的自动时空多任务学习方法（AutoSTL），该方法利用先进的时空运算和共享模块来捕获和融合任务之间的内在关系并自动分配操作和融合权重。实验表明，该方法具有最先进的性能。

Apr, 2023

评估和比较了六种流行的自动机器学习框架在 100 个数据集上的性能，并考虑了时间预算、搜索空间大小、元学习和集成构建等因素对比较的影响，结果揭示了多种有趣的见解。

Apr, 2022

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

本文提出了一种名为 AutoCompete 的高度自动化的机器学习框架，用于应对机器学习比赛，在数据类型、模型选择、超参数调整、避免过拟合和优化等方面具有较高效率，并证明了该系统相较于其他方法需要更少的运行时间并产生更好（或相同）的结果。

Jul, 2015

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

Auto-Tables 系统使用多步转换（使用 Python 或其他语言）自动合成数据流水线，将非关系型表转化为标准关系形式，以满足下游分析的需求，无需用户手动编写转换程序。

Jul, 2023

研究关系数据模型如何区分计算，证明了基于自动差分算法的关系引擎能够轻松处理大规模数据集，并且在大规模分布式机器学习领域与最新专用系统相竞争。

May, 2023

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

这篇综述旨在推广对自动化 / 自主机器学习系统的更广阔视角，并探讨整合各种机制和理论框架的最佳方式。主要介绍超参数优化、多组件模型、神经架构搜索、自动特征工程、元学习、多层集成、动态自适应、多目标评估、资源限制、灵活的用户参与和泛化原则的发展。最终得出结论，建立自动化机器学习系统的架构整合是一个值得更深入探讨的重要问题。

Dec, 2020