AutoML Papers

Source: https://github.com/hibayesian/awesome-automl-papers at 0317821496b4
License: Apache-2.0
Read the English original

This edition is an AI-assisted translation.

Awesome-AutoML-Papers

Awesome-AutoML-Papers ist eine kuratierte Sammlung von Forschungsarbeiten, Artikeln, Tutorials, Folien und Projekten zum automatisierten maschinellen Lernen. Gib diesem Repository einen Stern, um über die neuesten Entwicklungen dieses rasant wachsenden Forschungsgebiets auf dem Laufenden zu bleiben. Vielen Dank an alle, die zu diesem Projekt beigetragen haben. Mach mit und trage gern selbst etwas bei.

Was ist AutoML?

Automatisiertes maschinelles Lernen (AutoML) bietet Methoden und Prozesse, mit denen auch Personen ohne ML-Expertise maschinelles Lernen einsetzen, dessen Effizienz steigern und die ML-Forschung beschleunigen können.

Maschinelles Lernen (ML) hat in den vergangenen Jahren beträchtliche Erfolge erzielt, und immer mehr Fachgebiete stützen sich darauf. Diese Erfolge hängen jedoch entscheidend davon ab, dass ML-Fachleute folgende Aufgaben übernehmen:

• Daten vorverarbeiten,
• Geeignete Merkmale auswählen,
• Eine geeignete Modellfamilie auswählen,
• Modellhyperparameter optimieren,
• Modelle des maschinellen Lernens nachbearbeiten,
• Die erzielten Ergebnisse kritisch analysieren,

Da diese Aufgaben für Nichtfachleute oft zu komplex sind, hat das rasante Wachstum von ML-Anwendungen eine Nachfrage nach sofort einsetzbaren Methoden geschaffen, die sich ohne Expertenwissen leicht anwenden lassen. Das Forschungsgebiet, das auf eine schrittweise Automatisierung des maschinellen Lernens abzielt, nennen wir AutoML. Als neues Teilgebiet des ML erhält AutoML nicht nur dort, sondern auch in Computer Vision, natürlicher Sprachverarbeitung und Graphenverarbeitung zunehmend Aufmerksamkeit.

Eine formale Definition von AutoML gibt es nicht. Den Beschreibungen der meisten Arbeiten zufolge lässt sich der grundlegende Ablauf von AutoML wie folgt darstellen.

AutoML-Ansätze sind inzwischen ausgereift genug, um mit ML-Fachleuten mitzuhalten und sie manchmal sogar zu übertreffen. Einfach gesagt kann AutoML die Leistung verbessern und zugleich viel Zeit und Geld sparen, denn ML-Fachleute sind schwer zu finden und teuer. Daher ist das kommerzielle Interesse an AutoML in den vergangenen Jahren stark gestiegen; mehrere große Technologieunternehmen und Start-ups entwickeln inzwischen eigene AutoML-Systeme. Die folgende Tabelle vergleicht einige davon im Überblick.

Unternehmen	AutoFE	HPO	NAS
4paradigm	√	√	×
Alibaba	×	√	×
Baidu	×	×	√
Determined AI	×	√	√
Google	√	√	√
DataCanvas	√	√	√
H2O.ai	√	√	×
Microsoft	×	√	√
MLJAR	√	√	√
RapidMiner	√	√	×
Tencent	×	√	×

Awesome-AutoML-Papers bietet aktuelle Übersichten zu den grundlegenden Techniken des AutoML:

• Automatisierte Datenbereinigung (Auto Clean)
• Automatisierte Feature-Entwicklung (Auto FE)
• Hyperparameteroptimierung (HPO)
• Meta-Learning
• Suche nach neuronalen Architekturen (NAS)

Inhaltsverzeichnis

• Forschungsarbeiten
  • Übersichtsarbeiten
  • Automatisierte Feature-Entwicklung
    • Erweitern und Reduzieren
    • Hierarchische Anordnung von Transformationen
    • Meta-Learning
    • Reinforcement Learning
  • Architektursuche
    • Evolutionäre Algorithmen
    • Lokale Suche
    • Meta-Learning
    • Reinforcement Learning
    • Transferlernen
    • Netzwerk-Morphing
    • Kontinuierliche Optimierung
  • Hyperparameteroptimierung
    • Bayessche Optimierung
    • Evolutionäre Algorithmen
    • Lipschitz-Funktionen
    • Lokale Suche
    • Meta-Learning
    • Partikelschwarmoptimierung
    • Zufallssuche
    • Transferlernen
  • Leistungsprognose
    • Leistungsprognose
  • Software-Frameworks
  • Sonstiges
• Tutorials
  • Bayessche Optimierung
  • Meta-Learning
• Artikel
  • Bayessche Optimierung
  • Meta-Learning
• Folien
  • Bayessche Optimierung
• Bücher
  • Meta-Learning
• Projekte
• Prominente Forschende

Forschungsarbeiten

Übersichtsarbeiten

• 2019 | AutoML: A Survey of the State-of-the-Art | Xin He, et al. | arXiv | PDF
• 2019 | Survey on Automated Machine Learning | Marc Zoeller, Marco F. Huber | arXiv | PDF
• 2019 | Automated Machine Learning: State-of-The-Art and Open Challenges | Radwa Elshawi, et al. | arXiv | PDF
• 2018 | Taking Human out of Learning Applications: A Survey on Automated Machine Learning | Quanming Yao, et al. | arXiv | PDF
• 2020 | On Hyperparameter Optimization of Machine Learning Algorithms: Theory and Practice | Li Yang, et al. | Neurocomputing | PDF
• 2020 | Automated Machine Learning—a brief review at the end of the early years | Escalante, H. J. | arXiv | PDF
• 2022 | IoT Data Analytics in Dynamic Environments: From An Automated Machine Learning Perspective | Li Yang, et al. | arXiv | PDF
• 2024 | Automated machine learning: past, present and future | Baratchi. M, et al. | Artificial Intelligence Review | Springer

Automatisierte Feature-Entwicklung

• Erweitern und Reduzieren

• 2022 | BERT-Sort: A Zero-shot MLM Semantic Encoder on Ordinal Features for AutoML | Mehdi Bahrami, et al. | AutoML | PDF
• 2017 | AutoLearn — Automated Feature Generation and Selection | Ambika Kaul, et al. | ICDM | PDF
• 2017 | One button machine for automating feature engineering in relational databases | Hoang Thanh Lam, et al. | arXiv | PDF
• 2016 | Automating Feature Engineering | Udayan Khurana, et al. | NIPS | PDF
• 2016 | ExploreKit: Automatic Feature Generation and Selection | Gilad Katz, et al. | ICDM | PDF
• 2015 | Deep Feature Synthesis: Towards Automating Data Science Endeavors | James Max Kanter, Kalyan Veeramachaneni | DSAA | PDF

• Hierarchische Anordnung von Transformationen

  • 2016 | Cognito: Automated Feature Engineering for Supervised Learning | Udayan Khurana, et al. | ICDMW | PDF

• Meta-Learning

  • 2020 | AutoML Pipeline Selection: Efficiently Navigating the Combinatorial Space | Chengrun Yang, et al. | KDD | PDF
  • 2017 | Learning Feature Engineering for Classification | Fatemeh Nargesian, et al. | IJCAI | PDF

• Reinforcement Learning

  • 2017 | Feature Engineering for Predictive Modeling using Reinforcement Learning | Udayan Khurana, et al. | arXiv | PDF
  • 2010 | Feature Selection as a One-Player Game | Romaric Gaudel, Michele Sebag | ICML | PDF

Architektursuche

• Evolutionäre Algorithmen

  • 2019 | Evolutionary Neural AutoML for Deep Learning | Jason Liang, et al. | GECCO | PDF
  • 2017 | Large-Scale Evolution of Image Classifiers | Esteban Real, et al. | PMLR | PDF
  • 2002 | Evolving Neural Networks through Augmenting Topologies | Kenneth O.Stanley, Risto Miikkulainen | Evolutionary Computation | PDF

• Lokale Suche

  • 2017 | Simple and Efficient Architecture Search for Convolutional Neural Networks | Thomoas Elsken, et al. | ICLR | PDF

• Meta-Learning

  • 2016 | Learning to Optimize | Ke Li, Jitendra Malik | arXiv | PDF

• Reinforcement Learning

  • 2018 | AMC: AutoML for Model Compression and Acceleration on Mobile Devices | Yihui He, et al. | ECCV | PDF
  • 2018 | Efficient Neural Architecture Search via Parameter Sharing | Hieu Pham, et al. | arXiv | PDF
  • 2017 | Neural Architecture Search with Reinforcement Learning | Barret Zoph, Quoc V. Le | ICLR | PDF

• Transferlernen

  • 2017 | Learning Transferable Architectures for Scalable Image Recognition | Barret Zoph, et al. | arXiv | PDF

• Netzwerk-Morphing

  • 2019 | Auto-Keras: An Efficient Neural Architecture Search System | Haifeng Jin, et al. | KDD | PDF

• Kontinuierliche Optimierung

  • 2018 | Neural Architecture Optimization | Renqian Luo, et al. | arXiv | PDF
  • 2019 | DARTS: Differentiable Architecture Search | Hanxiao Liu, et al. | ICLR | PDF
  • 2021 | SEDONA: Search for Decoupled Neural Networks toward Greedy Block-wise Learning | Pyeon, et al. | ICLR | PDF

Software-Frameworks

• 2019 | Auptimizer — an Extensible, Open-Source Framework for Hyperparameter Tuning | Jiayi Liu, et al. | IEEE Big Data | PDF
• 2019 | Towards modular and programmable architecture search | Renato Negrinho, et al. | NeurIPS | PDF
• 2019 | Evolutionary Neural AutoML for Deep Learning | Jason Liang, et al. | arXiv | PDF
• 2017 | ATM: A Distributed, Collaborative, Scalable System for Automated Machine Learning | T. Swearingen, et al. | IEEE | PDF
• 2017 | Google Vizier: A Service for Black-Box Optimization | Daniel Golovin, et al. | KDD |PDF
• 2015 | AutoCompete: A Framework for Machine Learning Competitions | Abhishek Thakur, et al. | ICML | PDF

Hyperparameteroptimierung

• Bayessche Optimierung

  • 2020 | Bayesian Optimization of Risk Measures | NeurIPS | PDF
  • 2020 | BOTORCH: A Framework for Efficient Monte-Carlo Bayesian Optimization | NeurIPS | PDF
  • 2020 | Tuning Hyperparameters without Grad Students: Scalable and Robust Bayesian Optimisation with Dragonfly | JMLR | PDF
  • 2019 | Bayesian Optimization with Unknown Search Space | NeurIPS | PDF
  • 2019 | Constrained Bayesian optimization with noisy experiments | PDF
  • 2019 | Learning search spaces for Bayesian optimization: Another view of hyperparameter transfer learning | NeurIPS | PDF
  • 2019 | Practical Two-Step Lookahead Bayesian Optimization | NeurIPS | PDF
  • 2019 | Predictive entropy search for multi-objective bayesian optimization with constraints | PDF
  • 2018 | BOCK: Bayesian optimization with cylindrical kernels | ICML | PDF
  • 2018 | Efficient High Dimensional Bayesian Optimization with Additivity and Quadrature Fourier Features | Mojmír Mutný, et al. | NeurIPS | PDF
  • 2018 | High-Dimensional Bayesian Optimization via Additive Models with Overlapping Groups. | PMLR | PDF
  • 2018 | Maximizing acquisition functions for Bayesian optimization | NeurIPS | PDF
  • 2018 | Scalable hyperparameter transfer learning | NeurIPS | PDF
  • 2016 | Bayesian Optimization with Robust Bayesian Neural Networks | Jost Tobias Springenberg， et al. | NIPS | PDF
  • 2016 | Scalable Hyperparameter Optimization with Products of Gaussian Process Experts | Nicolas Schilling, et al. | PKDD | PDF
  • 2016 | Taking the Human Out of the Loop: A Review of Bayesian Optimization | Bobak Shahriari, et al. | IEEE | PDF
  • 2016 | Towards Automatically-Tuned Neural Networks | Hector Mendoza, et al. | JMLR | PDF
  • 2016 | Two-Stage Transfer Surrogate Model for Automatic Hyperparameter Optimization | Martin Wistuba, et al. | PKDD | PDF
  • 2015 | Efficient and Robust Automated Machine Learning | PDF
  • 2015 | Hyperparameter Optimization with Factorized Multilayer Perceptrons | Nicolas Schilling, et al. | PKDD | PDF
  • 2015 | Hyperparameter Search Space Pruning - A New Component for Sequential Model-Based Hyperparameter Optimization | Martin Wistua, et al. | PDF
  • 2015 | Joint Model Choice and Hyperparameter Optimization with Factorized Multilayer Perceptrons | Nicolas Schilling, et al. | ICTAI | PDF
  • 2015 | Learning Hyperparameter Optimization Initializations | Martin Wistuba, et al. | DSAA | PDF
  • 2015 | Scalable Bayesian optimization using deep neural networks | Jasper Snoek, et al. | ACM | PDF
  • 2015 | Sequential Model-free Hyperparameter Tuning | Martin Wistuba, et al. | ICDM | PDF
  • 2013 | Auto-WEKA: Combined Selection and Hyperparameter Optimization of Classification Algorithms | PDF
  • 2013 | Making a Science of Model Search: Hyperparameter Optimization in Hundreds of Dimensions for Vision Architectures | J. Bergstra | JMLR | PDF
  • 2012 | Practical Bayesian Optimization of Machine Learning Algorithms | PDF
  • 2011 | Sequential Model-Based Optimization for General Algorithm Configuration(extended version) | PDF

• Evolutionäre Algorithmen

  • 2020 | Delta-STN: Efficient Bilevel Optimization for Neural Networks using Structured Response Jacobians | Juhan Bae, Roger Grosse | Neurips | PDF
  • 2018 | Autostacker: A Compositional Evolutionary Learning System | Boyuan Chen, et al. | arXiv | PDF
  • 2017 | Large-Scale Evolution of Image Classifiers | Esteban Real, et al. | PMLR | PDF
  • 2016 | Automating biomedical data science through tree-based pipeline optimization | Randal S. Olson, et al. | ECAL | PDF
  • 2016 | Evaluation of a tree-based pipeline optimization tool for automating data science | Randal S. Olson, et al. | GECCO | PDF

• Lipschitz Functions

  • 2017 | Global Optimization of Lipschitz functions | C´edric Malherbe, Nicolas Vayatis | arXiv | PDF

• Lokale Suche

  • 2009 | ParamILS: An Automatic Algorithm Configuration Framework | Frank Hutter, et al. | JAIR | PDF

• Meta-Learning

  • 2019 | OBOE: Collaborative Filtering for AutoML Model Selection | Chengrun Yang, et al. | KDD | PDF
  • 2019 | SMARTML: A Meta Learning-Based Framework for Automated Selection and Hyperparameter Tuning for Machine Learning Algorithms | PDF
  • 2008 | Cross-Disciplinary Perspectives on Meta-Learning for Algorithm Selection | PDF

• Partikelschwarmoptimierung

  • 2017 | Particle Swarm Optimization for Hyper-parameter Selection in Deep Neural Networks | Pablo Ribalta Lorenzo, et al. | GECCO | PDF
  • 2008 | Particle Swarm Optimization for Parameter Determination and Feature Selection of Support Vector Machines | Shih-Wei Lin, et al. | Expert Systems with Applications | PDF

• Zufallssuche

  • 2016 | Hyperband: A Novel Bandit-Based Approach to Hyperparameter Optimization | Lisha Li, et al. | arXiv | PDF
  • 2012 | Random Search for Hyper-Parameter Optimization | James Bergstra, Yoshua Bengio | JMLR | PDF
  • 2011 | Algorithms for Hyper-parameter Optimization | James Bergstra, et al. | NIPS | PDF

• Transferlernen

  • 2016 | Efficient Transfer Learning Method for Automatic Hyperparameter Tuning | Dani Yogatama, Gideon Mann | JMLR | PDF
  • 2016 | Flexible Transfer Learning Framework for Bayesian Optimisation | Tinu Theckel Joy, et al. | PAKDD | PDF
  • 2016 | Hyperparameter Optimization Machines | Martin Wistuba, et al. | DSAA | PDF
  • 2013 | Collaborative Hyperparameter Tuning | R´emi Bardenet, et al. | ICML | PDF

Sonstiges

• 2020 | Automated Machine Learning Techniques for Data Streams | Alexandru-Ionut Imbrea | PDF
• 2018 | Accelerating Neural Architecture Search using Performance Prediction | Bowen Baker, et al. | ICLR | PDF
• 2017 | Automatic Frankensteining: Creating Complex Ensembles Autonomously | Martin Wistuba, et al. | SIAM | PDF
• 2018 | Characterizing classification datasets: A study of meta-features for meta-learning | Rivolli, Adriano, et al. | arXiv | PDF
• 2020 | Putting the Human Back in the AutoML Loop | Xanthopoulos, Iordanis, et al. | EDBT/ICDT | PDF

Tutorials

Bayessche Optimierung

• 2018 | A Tutorial on Bayesian Optimization. | PDF
• 2010 | A Tutorial on Bayesian Optimization of Expensive Cost Functions, with Application to Active User Modeling and Hierarchical Reinforcement Learning | PDF

Meta-Learning

• 2008 | Metalearning - A Tutorial | PDF

Blog

Typ	Blogtitel	Link
HPO	Bayesian Optimization for Hyperparameter Tuning	Link
Meta-Learning	Learning to learn	Link
Meta-Learning	Why Meta-learning is Crucial for Further Advances of Artificial Intelligence?	Link

Bücher

Erscheinungsjahr	Typ	Buchtitel	Autoren	Verlag	Link
2009	Meta-Learning	Metalearning - Applications to Data Mining	Brazdil, P., Giraud Carrier, C., Soares, C., Vilalta, R.	Springer	Download
2019	HPO, Meta-Learning, NAS	AutoML: Methods, Systems, Challenges	Frank Hutter, Lars Kotthoff, Joaquin Vanschoren		Download
2021	Learning	Automated Machine Learning in Action	Qinquan Song, Haifeng Jin, Xia Hu	Manning Publications	Download

Videos

| Titel | Autor | Link | | AutoML Basics: Automated Machine Learning in Action | Qinquan Song, Haifeng Jin, Xia Hu | (https://www.youtube.com/watch?v=9KpieG0B7VM) |

Projekte

Projekt	Typ	Sprache	Lizenz	Link
AdaNet	NAS	Python	Apache-2.0	Github
Advisor	HPO	Python	Apache-2.0	Github
AMLA	HPO, NAS	Python	Apache-2.0	Github
ATM	HPO	Python	MIT	Github
Auger	HPO	Python	Commercial	Homepage
auptimizer	HPO, NAS	Python (support R script)	GPL-3.0	Github
Auto-Keras	NAS	Python	License	Github
AutoML Vision	NAS	Python	Commercial	Homepage
AutoML Video Intelligence	NAS	Python	Commercial	Homepage
AutoML Natural Language	NAS	Python	Commercial	Homepage
AutoML Translation	NAS	Python	Commercial	Homepage
AutoML Tables	AutoFE, HPO	Python	Commercial	Homepage
AutoPyTorch	HPO, NAS	Python	Apache-2.0	Github
HyperGBM	HPO	Python	Python	Github
HyperKeras	NAS	Python	Python	Github
Hypernets	HPO, NAS	Python	Python	Github
auto-sklearn	HPO	Python	License	Github
auto_ml	HPO	Python	MIT	Github
BayesianOptimization	HPO	Python	MIT	Github
BayesOpt	HPO	C++	AGPL-3.0	Github
comet	HPO	Python	Commercial	Homepage
DataRobot	HPO	Python	Commercial	Homepage
DEvol	NAS	Python	MIT	Github
DeepArchitect	NAS	Python	MIT	Github
Determined	HPO, NAS	Python	Apache-2.0	Github
Driverless AI	AutoFE	Python	Commercial	Homepage
FAR-HO	HPO	Python	MIT	Github
H2O AutoML	HPO	Python, R, Java, Scala	Apache-2.0	Github
HpBandSter	HPO	Python	BSD-3-Clause	Github
HyperBand	HPO	Python	License	Github
Hyperopt	HPO	Python	License	Github
Hyperopt-sklearn	HPO	Python	License	Github
Hyperparameter Hunter	HPO	Python	MIT	Github
Katib	HPO	Python	Apache-2.0	Github
MateLabs	HPO	Python	Commercial	Github
Milano	HPO	Python	Apache-2.0	Github
MLJAR	AutoFE, HPO, NAS	Python	MIT	Github
mlr3automl	HPO	R	LGPL-3.0	GitHub
nasbot	NAS	Python	MIT	Github
neptune	HPO	Python	Commercial	Homepage
NNI	HPO, NAS	Python	MIT	Github
Oboe	HPO	Python	BSD-3-Clause	Github
Optunity	HPO	Python	License	Github
R2.ai	HPO		Commercial	Homepage
RBFOpt	HPO	Python	License	Github
RoBO	HPO	Python	BSD-3-Clause	Github
Scikit-Optimize	HPO	Python	License	Github
SigOpt	HPO	Python	Commercial	Homepage
SMAC3	HPO	Python	License	Github
TPOT	AutoFE, HPO	Python	LGPL-3.0	Github
TransmogrifAI	HPO	Scala	BSD-3-Clause	Github
Tune	HPO	Python	Apache-2.0	Github
Xcessiv	HPO	Python	Apache-2.0	Github
SmartML	HPO	R	GPL-3.0	Github
MLBox	AutoFE, HPO	Python	BSD-3 License	Github
AutoAI Watson	AutoFE, HPO		Commercial	Homepage
AUtoML	AutoML	Python	MIT	Github
Optuna	HPO	Python	MIT	Github

Folien

Typ	Folientitel	Autoren	Link
AutoFE	Automated Feature Engineering for Predictive Modeling	Udyan Khurana, etc al.	Download
HPO	A Tutorial on Bayesian Optimization for Machine Learning	Ryan P. Adams	Download
HPO	Bayesian Optimisation	Gilles Louppe	Download

Danksagung

Ein besonderer Dank gilt allen, die zu diesem Projekt beigetragen haben.

Name	Kurzbiografie
Alexander Robles	Doktorand an der UNICAMP (Brasilien)
derekflint
endymecy	Leitender Forscher bei Tencent
Eric
Erin LeDell	Leitender Wissenschaftler für maschinelles Lernen bei H2O.ai
fwcore
Gaurav Mittal
Hernan Ceferino Vazquez	Doktor, Data-Science-Experte bei MercadoLibre
Kaustubh Damania
Lilian Besson	Doktorand an der CentraleSupélec
罗磊
Marc
Mohamed Maher
Neil Conway	Technischer Leiter bei Determined AI
Richard Liaw	Doktorand an der UC Berkeley
Randy Olson	Leitender Data Scientist bei LifeEGX
Slava Kurilyak	Gründer und CEO von Produvia
Saket Maheshwary	KI-Forscher
shaido987
sophia-wright-blue
tengben0905
xuehui	@Microsoft
Yihui He	Graduiertenstudent an der Carnegie Mellon University

Kontakt und Feedback

Wenn du Vorschläge hast (fehlende oder neue Arbeiten, wichtige Forschende oder Tippfehler), kannst du gern einen Änderungsantrag stellen. Du kannst auch eine E-Mail senden an:

• Mark Lin (hibayesian@gmail.com).

Lizenzen

Awesome-AutoML-Papers steht unter der Apache-Lizenz 2.0 zur Verfügung.