AutoGluon-Tabular 是一个开源的 AutoML 框架，仅需一行 Python 代码即可训练基于未经处理的表格数据集（如 CSV 文件）的高精度机器学习模型。与现有的 AutoML 框架主要侧重于模型 / 超参数选择不同，AutoGluon-Tabular 通过组合多个模型并堆叠它们来成功地实现了目标。多层组合多模型的实验证明，它比寻找最佳模型更能更好地利用分配的训练时间。我们还对公共和商业 AutoML 平台进行了广泛的评估，包括 TPOT，H2O，AutoWEKA，auto-sklearn，AutoGluon 和 Google AutoML Tables。在 Kaggle 和 OpenML AutoML Benchmark 的 50 个分类和回归任务套件上进行的测试表明，AutoGluon 更快、更稳定，更准确。我们发现 AutoGluon 甚至经常超过所有竞争对手的最佳组合。在两个热门的 Kaggle 比赛中，AutoGluon 仅在原始数据上进行了 4 小时的训练，就胜过了 99% 的参赛数据科学家。

Mar, 2020

提出了 Auto-Validate-by-History (AVH) 算法，该算法能够自动检测经常性的数据管道中的数据质量问题。在 Microsoft 的 2000 个生产数据管道的评估中表现出了其效果和效率。

Jun, 2023

本文介绍了 4Paradigm 开发的自动特征交叉工具 AutoCross，通过树形空间的束搜索，实现高阶交叉特征的高效生成。同时，提出了连续的小批量梯度下降和多粒度离散化等算法来进一步提高效率和有效性，旨在减少分布式计算中涉及的计算、传输和存储成本。实验结果表明 AutoCross 可以显着提高线性和深度模型的性能。

Apr, 2019

通过分析 15 种算法在 45 个公开的机器学习数据集上的综合评估和分析，研究表明 Auto-FP 问题可以用超参数优化 (HPO) 或神经架构搜索 (NAS) 问题来建模，演化算法在平均排名上表现最好，随机搜索是一个强有力的基准线，许多基于代理模型和赌博算法搜索的算法并没有超过随机搜索在 Auto-FP 方面的性能。

Oct, 2023

介绍了基于树形管道优化的自动化机器学习流程设计的概念，并通过实验验证了其有效性和实用性，具有挑战性和实用性的研究。

Jan, 2016

本篇论文提出了一种名为 AutoSmart 的自动机器学习框架，解决了针对时间关联数据的数据挖掘以及模型优化所需的高成本问题，并在 KDD Cup 2019 中获得胜利。

Sep, 2021

DeepCAVE 是一个交互式框架，旨在分析和监测 AutoML 的最新优化过程，提高 AutoML 的透明度，为用户建立信任，并为用户提供自动生成的文本、表格和图形可视化，重点关注离群值检测问题。

Jun, 2022

研究提出了 XAutoML，一种与 JupyterLab 整合的交互式可视化分析工具，结合可解释的人工智能（XAI）技术，使完整的自动机器学习（AutoML）过程透明且可解释，并在用户研究中证明了其对自动机器学习流程的理解和优化的贡献。

Feb, 2022

本文提出了一种新的基于表格到文本的方法，通过自我纠正、复制机制和合成数据增量，增强了该方法的性能。实验证明，该方法选择了显著的生物医学实体和值，以生成相关的文本，同时我们还演示了该系统对新数据集的轻量级适应。人工验证表明，该模型的输出是准确和可靠的。

May, 2022

DataAssist 是一个自动化的数据准备和清洗平台，可通过 ML 方法增强数据集的质量，并提供一种管道用于探索性数据分析和数据清理，包括为用户选择的变量生成可视化，统一数据注释，建议异常值移除和预处理数据。

Jul, 2023