autogluon.core
PulseAugur coverage of autogluon.core — every cluster mentioning autogluon.core across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
智能体AI为表格机器学习设计改进的搜索空间
研究人员开发了能够为表格机器学习模型设计改进的超参数优化（HPO）搜索空间的智能体AI系统。这些智能体提出了各种管道模块的代码实现，当与传统HPO结合时，可在众多数据集上带来性能提升。扩展的搜索空间平均相对性能提升了0.6%，在回归任务上表现尤为突出，并有效地迁移到了TabArena基准测试中，优于现有集成模型。
-
新的TabBench-Bio基准评估生物医学数据上的机器学习模型
引入了一个名为TabBench-Bio的新基准，用于评估高维生物医学数据集上的机器学习模型。该基准包含43个数据集，并对包括经典估计器、神经网络和表格基础模型在内的各种模型进行了比较。在10,000个特征和100个训练样本的特定操作点上，RealTabPFN v2.5表现出最高的性能，其次是Logistic Regression和TabDPT。该基准旨在互动式发展，并随着社区贡献新的生物医学表格数据集而不断扩展。
-
新的 AutoML 框架使用 LLM 进化可执行的 Python 管道
研究人员开发了 LACE，一个新颖的 AutoML 框架，它利用大型语言模型作为变异算子来进化完整的可执行管道程序。与在预定义组件空间内搜索的传统 AutoML 系统不同，LACE 生成并维护一个 scikit-learn 兼容的 Python 类群。这种方法允许直接检查和编辑生成的管道。在 68 个 OpenML 分类任务上的评估表明，由 GPT-5.4-mini 驱动的 LACE，其性能显著优于 auto-sklearn、H2O …
-
AutoML 比较缺陷曝光：Orcetra 的性能虚高被揭露
一篇新论文指出了自动化机器学习（AutoML）系统在比较中存在的重大缺陷，尤其是在短时间预算下。研究表明，一个名为 Orcetra 的系统由于协议缺陷，包括在实际测试集上进行测试以及未能强制执行时间限制，而显得比 FLAML 和 AutoGluon 等竞争对手表现更好。当通过使用验证集和强制执行外部截止日期纠正这些问题后，Orcetra 的性能优势消失了，表明最初令人印象深刻的结果被方法论错误夸大了。
-
本杰明·格雷厄姆的价值投资规则增强了人工智能选股模型
一篇新的研究论文探讨了将经典的价值投资原则与现代人工智能因子模型相结合进行股市分析。该研究测试了本杰明·格雷厄姆的价值投资规则是否可以作为一种过滤器，防止人工智能模型过度拟合市场噪音。结果表明，虽然像AutoGluon这样复杂的模型获得了高回报，但它们也带来了显著的回撤。相比之下，结合了格雷厄姆规则的模型，特别是纯粹的格雷厄姆随机森林模型，在较低的风险下表现出更优的回报，这表明价值投资在减轻人工智能驱动的投资风险方面具有持久的相关性。