提出了一种 AutoML 系统，其构建了可解释的加法模型，使用高度可扩展的分量提升算法进行拟合，提供了易于模型解释的工具，并且在预测性能上与其他基于 AutoML 比较系统相媲美，更易于使用和透明。

Sep, 2021

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

本文研究在自动化机器学习 (AutoML) 领域中的信任问题，发现在 AutoML 工具中包含透明度特性可以增加用户的信任和理解度，其中模型性能指标和可视化是建立用户信任 AutoML 工具时最重要的信息。

Jan, 2020

本研究通过对 19 名 AutoML 用户进行半结构化访谈，发现用户在实际应用中需要面对可定制性、透明度和隐私等方面的限制，并采取一定策略来应对，最终对 AutoML 的使用产生影响。研究结果提出了未来开发 AutoML 解决方案的设计建议。

Feb, 2023

人工智能和机器学习的广泛应用导致公司难以招聘深入了解这些技术的员工，在此背景下，自动机器学习 (AutoML) 正以一种有希望的解决方案迅速崛起，旨在自动化构建端到端的人工智能 / 机器学习流水线，这通常会由专门的团队成员进行工程设计。本文通过对 12 个端到端自动机器学习工具在两个软件工程数据集上的基准测试和用户调查以及随后的访谈构成的混合方法研究，填补了这些信息缺口，并且发现 AutoML 解决方案可以在软件工程领域的分类任务中生成超过研究人员训练和优化的模型，并且当前可用的 AutoML 解决方案并不能完全支持 ML 开发工作流程的自动化和团队成员的需求。本研究结果为软件工程研究界提供了有关如何利用 AutoML 促进其活动以及工具构建者如何设计下一代 AutoML 技术的见解。

Jul, 2023

本文通过对 GitHub 上的开源项目进行调研，分析了当前机器学习从业者使用自动化机器学习工具的情况，研究结果表明 AutoML 工具已经广泛应用于机器学习的许多领域，可以极大的提高特征工程、模型训练和超参数优化的效率。

Aug, 2022

本文研究 Explainable Automated Machine Learning 在金融工程领域的整合，重点关注其在信用决策中的应用。研究表明，AutoML 和 XAI 的结合不仅提高了信用决策的效率和准确性，还增进了人与 AI 系统之间的信任和合作。结果强调了可解释性 AutoML 在改善 AI 驱动金融决策的透明度和责任性方面的潜力，与监管要求和道德考虑相一致。

Feb, 2024

提出了一种多准则的 AutoML 系统，优化了用户定义的辅助标准，以引导搜索达到最佳的机器学习流程，以此来满足人工智能应用中不同的需求。

Aug, 2019

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