我们提出了一种新颖的层次神经架构搜索方法，用于时间序列预测任务，在长期时间序列预测任务中，我们的方法可以搜索跨不同预测任务的轻量高性能预测架构。

Jun, 2024

利用自动机器学习技术自适应设计协同过滤模型的研究，提出了一种综合考虑超参数与架构搜索的算法，通过筛选有用的超参数选择来减少搜索空间，以及通过两阶段搜索算法来高效地找到适当的配置，实验证明了该算法在真实数据集上的优越性。

Jul, 2023

本研究旨在创建轻量级的相关时间序列预测模型，LightCTS 框架采用时间和空间运算符的简单堆叠，以及最后压缩方案，以提高计算效率，同时在单步和多步预测基准数据集上也表现出接近最先进的准确性。

Feb, 2023

本文提出两种深度学习模型来准确预测相关时间序列，第一个模型在每个时间序列上使用卷积神经网络，第二个模型通过在每个时间序列上添加自编码器，实现了多任务学习。在两个现实世界的相关时间序列数据集上，实验证明所提出的两种模型有效且优于大多数基线。

Aug, 2018

本文提出了一种基于贝叶斯优化和 Hyperband 的联合神经架构和超参数搜索方法，旨在提高搜索效率和处理神经架构和超参数之间相互作用的问题。

Jul, 2018

本文提出了一种基于自动交互架构发现的 CTR 预测框架 AutoCTR，使用神经架构搜索技术探索了不同数据集的 CTR 预测模型，取得了在不同数据集上的预测效果和泛化性能的成功。

Jun, 2020

我们比较了三种流行的神经架构搜索策略：贝叶斯优化、超带法和强化学习，在金融时间序列预测的背景下。

Mar, 2024

本文提出一种可自动设计、训练深度神经网络的框架，通过自动配置架构和超参数进行模型搜索，实现了对复杂搜索空间的高效探索，并展示了随机搜索、蒙特卡罗树搜索和顺序模型优化等多种模型搜索算法在 CIFAR-10 数据集上的比较试验结果。

Apr, 2017

本文提出一种编码通用计算图上的搜索空间的正式语言，解决了目前基于深度学习架构搜索的特定应用和通用超参数优化系统之间的折衷问题。该语言的结构使我们能够编写模块化、可组合和可重用的搜索空间，并在不同搜索空间和优化算法的组合中自由实验，而不必从头实现每个组合。我们在文中公开了该语言的实现。

Sep, 2019

通过提出一个新的多尺度搜索空间和神经架构搜索（NAS）框架，解决了时间序列分类中接收域、频率和时间分辨率的问题，并展示了该模型在四个不同领域的四个数据集上达到了最先进的性能，同时为每个数据集引入了十多个高度微调的模型。

Feb, 2024