本研究提出了多智能体框架MLZero，旨在解决现有自动机器学习系统在处理多模态数据时需要大量手动配置的问题。MLZero通过大型语言模型实现端到端自动化，显著减少人类干预，并在多个基准测试中表现优异，展示了其在机器学习自动化领域的重要潜力。

本文提出了噪声-意义递归自我改进（N2M-RSI）模型，旨在解决AI代理输出作为输入后内部复杂性无界增长的问题。该模型结合了自我提示大语言模型与自动机器学习的理念，研究表明实例间的通信可能产生超线性效应。

本研究提出了一种名为CAPO的算法，旨在降低大型语言模型提示优化的成本。CAPO利用自动机器学习技术提高效率，实验结果表明其在多个数据集和场景中优于现有方法，性能显著提升。

本研究推出LEMUR开源数据集，旨在解决高质量神经网络数据集不足的问题，支持自动机器学习和模型分析，简化研究人员的工作流程。

本研究针对算法选择和参数化（ASP）方法的评估不足，提供了全面综述，建立了包含400万个模型的知识基准，并对8种分类算法在400个数据集上的表现进行了比较。这将推动自动机器学习（AutoML）的发展。

AdaptoML-UX是一个自适应的自动机器学习工具包，旨在帮助非人工智能专家和人机交互研究者。该工具包自动执行特征工程和机器学习，提高用户友好性和效率，减少手动实验需求，节约时间和资源。

auto-sktime是一个自动化时间序列预测框架，利用自动机器学习技术提升预测流程。研究表明，随着样本量的增加，机器学习方法能够优化预测性能。文章还探讨了多种预测方法及其在不同领域的应用，并提供了时间序列数据集的分析和基准预测方法的性能评估。

上海交通大学密西根学院的研究人员发表了一篇题为「Interpreting Chemisorption Strength with AutoML-based Feature Deletion Experiments」的研究论文，提出了一种基于自动机器学习的特征删除实验方法，用于确定决定催化剂表面反应物的化学吸附能量的关键物理量。研究结果表明，吸附位点的局部几何信息对化学吸附能量的影响很大。这种基于AutoML的特征分析方法可以揭示复杂物理科学中统计特征重要性，对催化领域具有重要意义。人工智能技术在催化剂设计和优化方面的应用也有望提高效率和性能。

本文介绍了自动机器学习（AutoML）的最新进展，包括自我博弈强化学习、元学习、超参数优化和神经架构搜索等技术。这些方法在分类和回归任务中表现优于现有技术，并探讨了未来的研究方向和应用。

本文探讨了自动机器学习在深度推荐系统模型生成中的应用，重点介绍了自动化特征选择、嵌入和模型训练的新方法。研究提出了新的特征选择框架和算法，以提高效率和有效性，并展示了在真实数据集上的实验结果，强调了未来的研究方向。

本研究探讨了 AI 支持的编程工具的局限性与未来挑战，分析了代码助手在软件开发中的应用，提出了利用大型语言模型简化开发流程的创新方法，并探讨了自动机器学习在软件工程中的潜力，强调了其对提高开发效率的重要性。

自动机器学习 (AutoML) 是一种自动化构建人工智能 / 机器学习流水线的解决方案。研究发现，AutoML 可以生成优于研究人员训练的模型，但当前可用的解决方案仍无法完全满足需求。这为软件工程研究界提供了利用 AutoML 的见解。

自动机器学习 (AutoML) 是一种自动化构建人工智能 / 机器学习流水线的解决方案。研究发现，AutoML 可以在软件工程领域生成优于研究人员训练的模型，但当前可用的解决方案仍无法完全满足需求。这为软件工程研究界提供了利用 AutoML 的见解。