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 reúne uma seleção de artigos de pesquisa, artigos, tutoriais, slides e projetos sobre aprendizado de máquina automatizado. Marque este repositório com uma estrela para acompanhar as novidades dessa área de pesquisa em expansão. Agradecemos a todas as pessoas que contribuíram para o projeto. Junte-se a nós e contribua também.

O que é AutoML?

O aprendizado de máquina automatizado (AutoML) oferece métodos e processos para permitir que pessoas sem especialização em aprendizado de máquina o utilizem, aprimorem sua eficiência e acelerem as pesquisas na área.

O aprendizado de máquina (ML) alcançou avanços consideráveis nos últimos anos, e um número crescente de disciplinas depende dele. No entanto, esses resultados dependem fundamentalmente de especialistas em ML para realizar as seguintes tarefas:

• Pré-processar os dados,
• Selecionar características adequadas,
• Selecionar uma família de modelos apropriada,
• Otimizar os hiperparâmetros do modelo,
• Pós-processar modelos de aprendizado de máquina,
• Analisar criticamente os resultados obtidos,

Como essas tarefas costumam ser complexas demais para não especialistas em ML, o rápido crescimento das aplicações de aprendizado de máquina criou demanda por métodos prontos para uso, fáceis de aplicar sem conhecimento especializado. Chamamos de AutoML a área de pesquisa que busca automatizar progressivamente o aprendizado de máquina. Como uma nova subárea de ML, o AutoML tem ganhado atenção não só no aprendizado de máquina, mas também em visão computacional, processamento de linguagem natural e computação em grafos.

Não existe uma definição formal de AutoML. De acordo com as descrições da maioria dos artigos, o procedimento básico de AutoML pode ser apresentado da seguinte forma.

As abordagens de AutoML já estão maduras o suficiente para competir com especialistas em ML e, às vezes, superá-los. Em resumo, o AutoML pode melhorar o desempenho e economizar muito tempo e dinheiro, pois especialistas em ML são difíceis de encontrar e custam caro. Por isso, o interesse comercial em AutoML cresceu bastante nos últimos anos, e várias grandes empresas de tecnologia e startups estão desenvolvendo seus próprios sistemas. A tabela a seguir resume uma comparação de alguns deles.

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

Awesome-AutoML-Papers reúne visões gerais atualizadas das técnicas fundamentais de que precisamos em AutoML:

• Limpeza automatizada de dados (Auto Clean)
• Engenharia automatizada de atributos (Auto FE)
• Otimização de hiperparâmetros (HPO)
• Meta-aprendizado
• Busca de arquiteturas neurais (NAS)

Sumário

• Artigos
  • Revisões
  • Engenharia automatizada de atributos
    • Expansão e redução
    • Organização hierárquica das transformações
    • Meta-aprendizado
    • Aprendizado por reforço
  • Busca de arquiteturas
    • Algoritmos evolutivos
    • Busca local
    • Meta-aprendizado
    • Aprendizado por reforço
    • Aprendizado por transferência
    • Morfismo de redes
    • Otimização contínua
  • Otimização de hiperparâmetros
    • Otimização bayesiana
    • Algoritmos evolutivos
    • Funções de Lipschitz
    • Busca local
    • Meta-aprendizado
    • Otimização por enxame de partículas
    • Busca aleatória
    • Aprendizado por transferência
  • Previsão de desempenho
    • Previsão de desempenho
  • Estruturas de software
  • Diversos
• Tutoriais
  • Otimização bayesiana
  • Meta-aprendizado
• Artigos
  • Otimização bayesiana
  • Meta-aprendizado
• Slides
  • Otimização bayesiana
• Livros
  • Meta-aprendizado
• Projetos
• Pesquisadores de destaque

Artigos

Revisões

• 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

Engenharia automatizada de atributos

• Expansão e redução

• 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

• Organização hierárquica das transformações

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

• Meta-aprendizado

  • 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

• Aprendizado por reforço

  • 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

Busca de arquiteturas

• 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

• Busca local

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

• Meta-aprendizado

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

• Aprendizado por reforço

  • 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

• Aprendizado por transferência

  • 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

• Otimização contínua

  • 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

Estruturas de software

• 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

Otimização de hiperparâmetros

• Otimização 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

• Busca local

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

• Meta-aprendizado

  • 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

• Otimização por enxame 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

• Busca aleatória

  • 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

• Aprendizado por transferência

  • 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

Diversos

• 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

Tutoriais

Otimização 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

Meta-aprendizado

• 2008 | Metalearning - A Tutorial | PDF

Blog

Tipo	Título do blog	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

Livros

Ano de publicação	Tipo	Título do livro	Autores	Editora	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

Vídeos

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

Projetos

Projeto	Tipo	Idioma	Licença	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

Slides

Tipo	Título do slide	Autores	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

Agradecimentos

Agradecemos especialmente a todas as pessoas que contribuíram para este projeto.

Nome	Biografia
Alexander Robles	Doutorando na UNICAMP (Brasil)
derekflint
endymecy	Pesquisador sênior na Tencent
Eric
Erin LeDell	Cientista-chefe de aprendizado de máquina na H2O.ai
fwcore
Gaurav Mittal
Hernan Ceferino Vazquez	Doutor, especialista em ciência de dados na MercadoLibre
Kaustubh Damania
Lilian Besson	Doutorando na CentraleSupélec
罗磊
Marc
Mohamed Maher
Neil Conway	Diretor de tecnologia na Determined AI
Richard Liaw	Doutorando na UC Berkeley
Randy Olson	Cientista de dados líder na LifeEGX
Slava Kurilyak	Fundador e CEO da Produvia
Saket Maheshwary	Pesquisador de IA
shaido987
sophia-wright-blue
tengben0905
xuehui	@Microsoft
Yihui He	Pós-graduando na Carnegie Mellon

Contato e feedback

Se tiver sugestões (artigos ausentes ou novos, pesquisadores importantes ou erros de digitação), fique à vontade para enviar uma solicitação. Você também pode escrever para:

• Mark Lin (hibayesian@gmail.com).

Licenças

Awesome-AutoML-Papers está disponível sob a licença Apache 2.0.