【综述】自动机器学习AutoML最新65页综述，带你了解最新进展

自动机器学习（Automated Machine Learning）越来越受到研究者重视，本文为大家带来关于AutoML的最新综述，跟踪领域发展现状。

介绍：

机器学习已成为现代人们数字生活必不可少的组成元素，受到广大研究人员的重视。 但是，算法模型的构建过程，需要高级技术专家以及业务专家的深度参与。AutoML旨在降低数据科学知识在模型训练过程中的使用门槛，使领域专家在不需要额外技术背景的前提下，根据业务场景自动构建各类可用模型。在这篇综述中，我们总结了最近学术、工业界中关于AutoML的发展。首先，我们提供了此类问题的全面表述；接下来，介绍了各类子问题的多种技术方法；最终，为各类方法提供一组实验评估结果。

原文链接：

https://arxiv.org/pdf/1904.12054.pdf

在构建机器学习处理流程过程中，需要大量有经验专家的深度参与：一方面需要数据科学家提供深入的机器学习算法知识；另一方面，又需要领域专家提供本场景下，长期积累到的特殊领域知识。经过协同合作，这些专家的知识将有效构建出一个实用的机器学习应用，进而经过大量“领域驱动”的特征工程以及调试优化，这个应用将呈现出难以置信的预测能力。通常来说，这种应用的构建，意味着非常复杂的处理任务，同时需要投入长期的优化、训练工作。

为了解决以上问题，研究人员们提出了AutoML设想，期望能够简化机器学习应用的训练过程，自动构建可用算法模型，通过对各类基础任务（如，超参优化）的自动迭代，使得模型达到更高的处理性能。

需要注意的是，AutoML并不是一个很新的概念。从上世纪90年代开始，便逐渐有相关研究出现，随着多年发展，在这一领域中，已经有了大量的可用成果积累。随着人工智能的兴起，这一领域也逐渐从一个小众领域变得受众广泛，吸引了更多研究人员的投入。

本篇综述的贡献如下：

• 针对AutoML的创建过程，提供了完整的数学表述。

• 针对AutoML中的每一步技术，提供综述性内容。

• 针对本文中的各类方法，进行全面的实验评估。

AutoML子问题划分：

常见AutoML配置：

请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“AutoMLSV”就可以获取AutoML最新综述文章下载链接~

附论文全文：

想要了解更多资讯，请扫描下方二维码，关注机器学习研究会

转自：专知