自动化机器学习：研究现状与开放挑战
机器学习
2019-06-12 v2 机器学习
摘要
随着数字世界中数据量的持续大幅增长，人们已认识到知识渊博的数据科学家的数量无法相应扩展以应对这些挑战。因此，亟需将构建优良机器学习模型的过程自动化。在过去几年中，人们引入了若干技术与框架来应对机器学习领域中算法选择与超参数调优联合（CASH）自动化这一挑战。这些技术的主要目标是减少人在回路中的作用，并通过扮演领域专家的角色来弥补非专家机器学习用户的缺口。在本文中，我们对解决 CASH 问题的最先进工作进行了全面综述。此外，我们强调了将完整复杂机器学习流水线（AutoML）从数据理解到模型部署的其他步骤自动化的研究工作。进而，我们全面涵盖了该领域已引入的各种工具与框架。最后，我们讨论了为实现 AutoML 过程的愿景与目标所需解决的一些研究方向与开放挑战。
引用
@article{arxiv.1906.02287,
title = {Automated Machine Learning: State-of-The-Art and Open Challenges},
author = {Radwa Elshawi and Mohamed Maher and Sherif Sakr},
journal= {arXiv preprint arXiv:1906.02287},
year = {2019}
}