机构名称：
¥ 8.0
在过去十年中，在优化技术的进步及其对选择 ML 模型/算法的影响的刺激下，长期以来致力于自动化机器学习 (ML) 中的高级流程已成为主流。这一驱动力的核心是设计一个计算系统的吸引力，该系统既可以发现并部署高性能解决方案，以最少的人机交互解决任意 ML 问题。除此之外，一个更崇高的目标是追求自主性，它描述了系统在不断变化的环境中独立调整 ML 解决方案的能力。然而，如果没有各种机制和理论框架的更广泛综合，这些抱负就不可能以稳健的方式实现，而目前，这些机制和理论框架仍然分散在众多研究线索中。因此，本评论旨在激发对自动化/自主 ML 系统的构成进行更广泛的思考，同时考虑如何最好地整合这些要素。在此过程中，我们调查了以下研究领域的发展：超参数优化、多组件模型、神经架构搜索、自动特征工程、元学习、多级集成、动态适应、多目标评估、资源约束、灵活的用户参与和泛化原则。我们还在整个审查过程中开发了一个概念框架，并由每个主题进行增强，以说明
AutonoML：迈向自主机器学习的集成框架
主要关键词
相关文件推荐
