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
-
新的 AutoML 框架 LACE 使用 LLM 演进可执行管道程序
研究人员开发了 LACE，一个新颖的 AutoML 框架，它搜索完整的可执行管道程序，而不是依赖预定义的组件。该方法使用大型语言模型，特别是 GPT-5.4 Mini，作为进化循环中的变异算子。LACE 在 68 个 OpenML 分类任务上进行了评估，与 auto-sklearn、H2O 和 XGBoost 相比，表现更优越，同时与 AutoGluon 的表现相当。LACE 的一个关键优势是它能够返回可编辑的 Python 代码，允…
-
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。