自动化机器学习（AutoML）的全面潜力在于解决目前未充分探索的用户与 AutoML 系统的交互方面，包括其不同角色、期望和专业知识，促进未来 AutoML 研究中更加以人为中心的方法，推动紧密整合人类专业知识和自动化机器学习方法的 ML 系统的协作设计。

Jun, 2024

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

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

本文主要探讨在当前和未来的自动机器学习系统中，人与计算机交互如何发生（包括开发、部署和维护阶段的 HCI），不同类型的用户和利益相关方对 HCI 的期望是否存在差异，如何管理 HCI 以使自动机器学习获得人的信任和广泛接受，以及随着自动机器学习系统变得更加自主和学习能力增强，HCI 的基本特性是否会发生变化。研究关键领域包括自动化机器学习，人机交互，用户界面设计，人工智能信任等方面。

May, 2022

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

本文介绍了 AutoML 问题的定义和解决方案，项目分类和现有工作的审查，并提出了一个 AutoML 框架以减少对人类专家的需求和提高学习性能。

Oct, 2018

本文介绍机器学习领域的交互式学习方法，通过实验展示了如何使用人机交互的方式将黑箱算法变为透明的算法，以提高算法的可信度和接受度，并探讨了交互式学习方法在健康信息学领域中的应用和优势。

Aug, 2017

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

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

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