自动工作流合成是自动化机器学习中的一个相关问题，通过进化算法和语法引导的遗传规划方法，将预处理和预测模型的最佳超参数与适当的顺序相结合。然而，我们的方法是第一个将 G3P 方法的优点与交互式优化和人类指导的机器学习的思想相结合的提案，通过与人类的合作，我们发现在准确性方面具有高性能且需要较少的调整时间的工作流程。

Feb, 2024

自动化机器学习系统提出了一种针对给定机器学习问题的端到端解决方案，创建了固定或灵活的流程。 EVOSA 方法通过引入敏感性分析来解决灵活流程的负面因素，并提高了灵活解决方案的鲁棒性和可解释性。

Dec, 2023

本文旨在通过引入一个新颖的框架，展示 AutoML 可以进一步通过基本数学运算作为构建块自动发现完整的机器学习算法，从而大大减少人类偏见，并通过演化搜索不同类型的任务来适应算法。

Mar, 2020

本文介绍一种名为 LEAF 的进化型 AutoML 框架，不仅优化超参数，而且还优化网络架构和大小，实验结果表明优化网络架构比优化超参数显著提高了性能，并且可以在保持性能的情况下最小化网络。LEAF 因此为普及和改进 AI，以及使 AI 在未来的应用中变得实用提供了基础。

Feb, 2019

该论文提出了一种基于进化方法的自动化自编码器架构搜索过程，通过测试证明了该方法在九个异构数据集上的可行性和较好的结果。

Jan, 2023

本文介绍了一个新的框架，将大型语言模型与进化计算相结合，自动设计成本感知的采集函数，以在有限预算内高效接近全局最优解。

Apr, 2024

本文章为自然语言处理领域的语义相似度任务提出了一种自动设计语义相似度视角的方法，该方法使用了语法演化来选择和聚合最大化人类判断相关性的候选测量指标，此外，该方法在多个基准数据集上进行了评估，并表明它能够显著提高相似性评估准确性，并在某些情况下优于现有方法。

Jul, 2023

这篇论文是关于进化计算、人工智能、进化机器学习、进化动态优化和机器学习之间互相结合的研究，旨在激发进化学习社区的兴趣并在该领域激发创新贡献。

Oct, 2023

evoML 是一个 AI 助力的工具，可以提供机器学习模型开发、优化、以及代码优化的自动化功能，其核心功能包括数据清理、探索式分析、特征分析和生成、模型优化、模型评估、模型代码优化和模型部署，并且将代码和模型优化嵌入模型开发过程。

Dec, 2022

本研究提出了一种名为 Evolver 的知识融合方法，它可以将不同语言模型的权重进行集成，通过进化算法生成新的模型并与父模型进行评估，达到在不同数据领域通用且性能优越的目的，这种方法与现有模型合并框架无缝集成，为模型增强提供了一种多功能工具。

Jun, 2024