使用贝叶斯优化和特征选择技术，全自动选择机器学习算法和设置其超参数，在 21 个数据集的分类表现中达到了比标准选择 / 超参数优化方法更好的结果。

Aug, 2012

本文中提出了一种基于箱限制数学优化问题的方法，运用光滑径向基函数模型及无导数优化工具去寻找神经网络的最佳参数。该方法是自动的且可有效地搜索参数空间，其应用于药物相互作用的预测中具有良好的效果，并且所用的优化工具是开源的。

May, 2017

本文提出了一种名为 FsNet 的 DNN 基于非线性特征选择方法，针对高维度和小样本数据。实验结果显示，该方法在多个真实的生物数据集上表现出较高的有效性。

Jan, 2020

本研究提出了基于人工神经网络的框架，能够有效利用大量传感器信号信息来准确预测汽车零部件的健康状态，并引入数据增强方法以消除噪声的影响。该框架已在 Robert Bosch GmbH 的实际应用中得到验证。

Apr, 2018

本文提出了一种自适应选择重要特征字段的 AutoML 框架，该框架设计了一个可微的控制器网络，通过自动调整选择特定特征字段的概率来重新训练深度推荐模型，实验证明了该框架的有效性。

Apr, 2022

提出了一种基于神经网络的特征选择方法，同时考虑了类别区分和聚类结构保持，在典型分类问题和高光谱图像带选取中都展示了其有效性。

Jul, 2023

在一些领域（如医学数据）中，有大量的标注数据对于深度神经网络的效果至关重要。为了明智地选择待标注的数据（即子集选择问题），我们研究了子集选择和神经网络剪枝之间的关系，并建立了它们之间的联系。借鉴了神经网络剪枝的见解，我们提出了利用神经网络特征的范数准则来改进子集选择方法。我们在各种网络和数据集上进行了实证验证，证明了准确度的提高。这表明利用剪枝工具进行子集选择的潜力。

Jun, 2024

通过将贝叶斯神经网络与传统机器学习算法（如随机森林、梯度提升、支持向量机）协同集成的一种新方法，强调了特征集成在优化中的重要性，包括优化的二阶条件，如哈西矩阵的定态性和正定性。与此相反，超参数调整对于改善预期改进（EI (x)）的影响有所削弱。总体而言，集成方法作为一种稳健的、算法优化的方法表现出色。

Oct, 2023

本文介绍了一种新颖的算法选择技术，其中借助循环神经网络在在线装箱问题中预测打包启发式，表现优于传统机器学习方法，并提出了这种算法的表现好处需要数据具备一定隐式结构的假设。

Mar, 2022

本文提出了一种基于稀疏神经网络的资源高效的有监督特征选择方法 “NeuroFS”，通过逐步修剪稀疏神经网络的输入层来高效获取信息子集。在 11 个不同类型的低维和高维实际基准测试中，本文证明 NeuroFS 在所考虑的最先进的有监督特征选择模型中获得了最高的排名分数。

Mar, 2023