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

本文提出了一种元学习方法，利用先前的元数据自动搜索高性能的机器学习管道以完成模型选择和超参数优化，该方法结合自适应贝叶斯回归模型、神经网络基函数和贝叶斯优化的收获函数，能够在监督分类数据集上高效地搜索预定义的候选管道，实验结果表明，该方法在一系列测试数据集上能够快速确定高性能的机器学习管道，并胜过基线方法。

Apr, 2019

本文提出了一种名为 Caml 的元学习方法，可以自动适应其自身 AutoML 参数，以优化特定任务的高性能管道，并可以考虑用户定义的应用约束条件，以获得满足约束条件的高预测性能的管道。

Jun, 2023

本文总结了现有开源的 AutoML 工具的最新进展，并将它们应用于数据流挖掘的领域。通过比较，结果表明现成的 AutoML 工具可以提供令人满意的结果，但在出现概念飘移时，必须应用检测或适应技术以维持预测准确性。

Jun, 2021

提出了一种基于 ADMM 的 AutoML 框架，可以将优化问题分解为易于处理的子问题，并整合黑箱约束以及优化目标函数。在 UCI ML 和 OpenML 数据集上的实验表明，相比其他的 AutoML 方法，该框架具有更大的灵活性、更高的效果和独特的能力。

May, 2019

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

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

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

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