该综述回顾了自动深度学习方向的研究进展，提出了十个评估标准，包括新颖性、解决方案质量、效率、稳定性、可解释性、再现性、工程质量、可扩展性、泛化性和环保性。

Dec, 2021

本文综述了自动机器学习领域中的最新研究进展，包括数据准备、特征工程、超参数优化和神经架构搜索等方面，并着重探讨了神经架构搜索的性能和发展方向，指出目前自动机器学习领域的存在的问题及未来研究方向。

Aug, 2019

本文介绍 MetaDL 比赛的设计，数据集，最佳实验结果以及 NeurIPS 2021 挑战赛的排名方法，旨在通过元学习方法解决深度神经网络所需要的大量数据和计算资源的问题，同时强调学习良好的表示对于有效的转移学习至关重要。

Jun, 2022

我们提出了一种新颖的平台，用于评估大型语言模型（LLMs）自主撰写和评论跨科学、人文、教育和法律等各个学科的调研论文的能力。这个框架中，人工智能系统通过模拟同行评审机制进行操作，类似于传统学术期刊，人类组织者担任编辑监督职责。在这个框架内，我们为 2023 年 AutoML 会议组织了一次竞赛。参赛者的任务是根据指定提示撰写独立的文章，并对其进行评估。评估标准包括清晰度、参考文献适当性、责任性和内容的实质价值。本文介绍了竞赛的设计，包括实施基线提交和评估方法。

Oct, 2023

本文介绍了 Auto-PyTorch，它通过联合和稳健地优化网络结构和训练超参数，实现了完全自动的深度学习（AutoDL），并在多个表格基准测试中实现了最先进的性能。为了全面研究这样一个 AutoDL 系统的设计假设，我们还引入了新的 DNN 学习曲线基准测试，并在典型的 AutoML 基准测试上进行了广泛的消融研究，最终表明 Auto-PyTorch 平均表现比几种最先进的竞争对手更好。

Jun, 2020

该论文提出了将 AutoML 扩展到选择适合新数据集的预训练模型和微调超参数等问题，通过元学习的零样本模型选择合适的 DL 模型，对比 ChaLearn AutoDL 挑战赛中的其他竞争者，得到了显著的表现。

Jun, 2022

本文介绍了一项新的任务，即围绕跨域元学习的竞赛，要求参与者用少量数据和较少计算资源解决任何领域的分类问题，通过元数据集 Meta-Album 来比较各种算法的性能，提供了一种自动化的元机器学习解决方案

Aug, 2022

使用迁移学习方法减少神经自动机器学习的计算成本，在语言和图像分类任务中，Transfer Neural AutoML 在单任务训练收敛时间上节省了超过一个数量级。

Mar, 2018

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

使用 meta-recognition 模型通过 autoencoder 方法，学习简洁的模型代码，并通过 meta-generative 模型构建任务特定模型参数，实现比 fine-tuned 基线网络更低的损失和与最先进的元学习算法相匹配的性能，同时还能够识别对模型预测有影响的训练样本和预测获取哪些附加数据将对改善模型预测最有价值。

Jul, 2018