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。

本研究提出了AdaptoML-UX自适应框架，旨在解决自动机器学习工具在用户友好性和效率上的不足，帮助非AI专家高效开发用户中心的机器学习模型，节省时间和资源。

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。

本文总结了自动机器学习在生成深度推荐系统模型方面的最新方法，包括特征选择、嵌入、交互和训练模型。作者指出，自动机器学习的推荐系统正朝着多组件联合搜索的方向发展。未来研究方向也被提及。

微软的AutoCL是一种自动机器学习实践，可以自动学习对时间序列数据集和任务进行对比学习表示。通过通用搜索空间和强化学习算法，AutoCL能够自动找到适合给定数据集和任务的对比学习策略。实验结果验证了AutoCL的有效性，并提供了对比学习策略设计的指导。

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还不能完全满足需求。

该综述研究了基于自动机器学习的自动数据增强技术，比较了不同方法和子任务，并发现AutoML方法在数据增强方面的性能优于传统方法。

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。