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 es una selección de artículos de investigación, artículos, tutoriales, diapositivas y proyectos sobre aprendizaje automático automatizado. Añade una estrella a este repositorio para seguir las últimas novedades de este campo de investigación en auge. Gracias a todas las personas que han contribuido al proyecto. Únete y colabora con nosotros.

¿Qué es AutoML?

El aprendizaje automático automatizado (AutoML) ofrece métodos y procesos para que quienes no son expertos en aprendizaje automático puedan utilizarlo, mejorar su eficiencia y acelerar la investigación en este ámbito.

El aprendizaje automático (ML) ha logrado avances considerables en los últimos años y cada vez más disciplinas dependen de él. Sin embargo, estos avances dependen fundamentalmente de que especialistas en ML realicen las siguientes tareas:

• Preprocesar los datos,
• Seleccionar las características adecuadas,
• Elegir una familia de modelos adecuada,
• Optimizar los hiperparámetros del modelo,
• Posprocesar los modelos de aprendizaje automático,
• Analizar críticamente los resultados obtenidos,

Como estas tareas suelen superar las capacidades de quienes no son expertos en ML, el rápido crecimiento de las aplicaciones de aprendizaje automático ha generado una demanda de métodos listos para usar, fáciles de aplicar sin conocimientos especializados. Llamamos AutoML al área de investigación que busca automatizar progresivamente el aprendizaje automático. Como nueva subárea del ML, AutoML ha despertado interés no solo en este campo, sino también en visión artificial, procesamiento del lenguaje natural y computación con grafos.

No existe una definición formal de AutoML. Según las descripciones de la mayoría de los artículos, el proceso básico de AutoML puede representarse así.

Los enfoques de AutoML ya están lo bastante maduros para competir con especialistas en ML y, en ocasiones, incluso superarlos. En pocas palabras, AutoML puede mejorar el rendimiento y ahorrar mucho tiempo y dinero, ya que los especialistas en ML son difíciles de encontrar y caros. Por ello, el interés comercial por AutoML ha crecido notablemente en los últimos años, y varias grandes empresas tecnológicas y empresas emergentes están desarrollando sus propios sistemas. La siguiente tabla ofrece una comparación general de algunos de ellos.

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

Awesome-AutoML-Papers ofrece resúmenes actualizados de las técnicas fundamentales que necesitamos en AutoML:

• Limpieza automatizada de datos (Auto Clean)
• Ingeniería automatizada de características (Auto FE)
• Optimización de hiperparámetros (HPO)
• Metaaprendizaje
• Búsqueda de arquitecturas neuronales (NAS)

Índice

• Artículos de investigación
  • Revisiones
  • Ingeniería automatizada de características
    • Ampliación y reducción
    • Organización jerárquica de transformaciones
    • Metaaprendizaje
    • Aprendizaje por refuerzo
  • Búsqueda de arquitecturas
    • Algoritmos evolutivos
    • Búsqueda local
    • Metaaprendizaje
    • Aprendizaje por refuerzo
    • Aprendizaje por transferencia
    • Morfismo de redes
    • Optimización continua
  • Optimización de hiperparámetros
    • Optimización bayesiana
    • Algoritmos evolutivos
    • Funciones de Lipschitz
    • Búsqueda local
    • Metaaprendizaje
    • Optimización por enjambre de partículas
    • Búsqueda aleatoria
    • Aprendizaje por transferencia
  • Predicción del rendimiento
    • Predicción del rendimiento
  • Marcos de trabajo
  • Varios
• Tutoriales
  • Optimización bayesiana
  • Metaaprendizaje
• Artículos
  • Optimización bayesiana
  • Metaaprendizaje
• Diapositivas
  • Optimización bayesiana
• Libros
  • Metaaprendizaje
• Proyectos
• Investigadores destacados

Artículos de investigación

Revisiones

• 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

Ingeniería automatizada de características

• Ampliación y reducción

• 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

• Organización jerárquica de transformaciones

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

• Metaaprendizaje

  • 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

• Aprendizaje por refuerzo

  • 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

Búsqueda de arquitecturas

• Algoritmos evolutivos

  • 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

• Búsqueda local

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

• Metaaprendizaje

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

• Aprendizaje por refuerzo

  • 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

• Aprendizaje por transferencia

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

• Morfismo de redes

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

• Optimización continua

  • 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

Marcos de trabajo

• 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

Optimización de hiperparámetros

• Optimización bayesiana

  • 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

• Algoritmos evolutivos

  • 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

• Búsqueda local

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

• Metaaprendizaje

  • 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

• Optimización por enjambre de partículas

  • 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

• Búsqueda aleatoria

  • 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

• Aprendizaje por transferencia

  • 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

Varios

• 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

Tutoriales

Optimización bayesiana

• 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

Metaaprendizaje

• 2008 | Metalearning - A Tutorial | PDF

Blog

Tipo	Título del blog	Enlace
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

Libros

Año de publicación	Tipo	Título del libro	Autores	Editorial	Enlace
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

Vídeos

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

Proyectos

Proyecto	Tipo	Idioma	Licencia	Enlace
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

Diapositivas

Tipo	Título de la diapositiva	Autores	Enlace
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

Agradecimientos

Nuestro más sincero agradecimiento a todas las personas que han contribuido a este proyecto.

Nombre	Biografía
Alexander Robles	Estudiante de doctorado en UNICAMP (Brasil)
derekflint
endymecy	Investigador sénior en Tencent
Eric
Erin LeDell	Científico jefe de aprendizaje automático en H2O.ai
fwcore
Gaurav Mittal
Hernan Ceferino Vazquez	Doctor, experto en ciencia de datos en MercadoLibre
Kaustubh Damania
Lilian Besson	Estudiante de doctorado en CentraleSupélec
罗磊
Marc
Mohamed Maher
Neil Conway	Director de tecnología en Determined AI
Richard Liaw	Estudiante de doctorado en UC Berkeley
Randy Olson	Responsable de ciencia de datos en LifeEGX
Slava Kurilyak	Fundador y director ejecutivo de Produvia
Saket Maheshwary	Investigador de IA
shaido987
sophia-wright-blue
tengben0905
xuehui	@Microsoft
Yihui He	Estudiante de posgrado en Carnegie Mellon

Contacto y comentarios

Si tienes sugerencias (artículos que falten o nuevos, investigadores destacados o erratas), no dudes en enviar una solicitud. También puedes escribir a:

• Mark Lin (hibayesian@gmail.com).

Licencias

Awesome-AutoML-Papers está disponible bajo la licencia Apache 2.0.