English(EN) iML: Executable, Problem-Grounded, and Broadly Exploratory Code-Driven AutoML

iML框架通过可执行、问题导向的代码增强AutoML

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-02 04:00

研究人员推出了一种新的代码驱动的自动化机器学习（AutoML）框架iML。iML通过专注于生成可执行、问题导向且广泛探索的代码，解决了当前AutoML系统的局限性。该框架采用多智能体方法，分析任务和数据，为跨各种机器学习方法的代码生成创建结构化蓝图，并通过接口检查和迭代调试确保可靠性。 AI

影响该框架有望提高AutoML系统的可靠性和灵活性，使先进的机器学习对实践者来说更加易于访问和健壮。

排序理由该集群包含一篇详细介绍AutoML新框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Dat Le, Duc-Cuong Le, Anh-Son Nguyen, Tuan-Dung Bui, Thu-Trang Nguyen, Son Nguyen, Hieu Dinh Vo · 2026-06-02 04:00

iML: Executable, Problem-Grounded, and Broadly Exploratory Code-Driven AutoML

arXiv:2602.13937v2 Announce Type: replace Abstract: Automated Machine Learning (AutoML) has improved access to machine learning, yet existing techniques often remain limited in flexibility, transparency, and execution reliability. Code-driven AutoML offers a promising direction b…