AutoML paper following

AutoML paper

写在前面

知乎有一篇博文《非常全面的AutoML论文汇总》mark了https://github.com/hibayesian/awesome-automl-papers开源项目，最后的编辑时间为2019.06，让我们看下23年的auto世界~~

深度学习模型具有巨大的参数搜索空间，机器学习专家往往需要大量的时间构建模型。往往AI工程师的成本相对较高，在快节奏的商业环境中，如何降本增效，降低深度学习模型的设计成本和难度、提高模型的构建效率is a question。 AutoML（automated Machine Learning）通过使用AutoML方法，使用户只需要想模型输入数据，之后模型会完成架构选择和参数训练。 git地址开源项目提供了AutoML和传统的深度学习特点的对比，提供了先关AutoML的相关论文、教程、模型、项目以及ppt

概述

在传统深度学习的模型构建中，主要包含以下步骤：数据处理、特征工程、模型架构选择、超参数优化、模型后处理、结果分析。这些步骤往往会耗费大量人力和时间。在 AutoML 中，则可以对大部分步骤进行自动处理。

自动学习方法已经足够成熟，可以与人类机器学习专家竞争，有时甚至超过他们。简而言之，AutoML可以提高性能，同时节省大量的时间和金钱，因为机器学习专家既难找又贵。因此，近年来对AutoML的商业兴趣急剧增长，一些主要的科技公司和初创公司现在正在开发自己的AutoML系统。其中一些的概述比较可以总结为下表。

在该git项目中，作者对相关的 AutoML 类别进行了总结，包括：

• 自动数据清洗（Automated Data Clean, Auto Clean）
• 自动特征工程（Automated Feature Enginnering, Auto FE）
• 超参数优化（Hyperparameter Optimization, HPO）
• 元学习（Meta-Learning）
• 神经网络架构搜索（Neural Architecture Search, NAS）
  

[项目](https://github.com/hibayesian/awesome-automl-papers#papers)中包含最新的研究成果，并且附带了论文原文的地址，以及对该项目做出贡献的大佬们的联系方式。

参考：https://github.com/hibayesian/awesome-automl-papers#papers