automated machine learning
PulseAugur coverage of automated machine learning — every cluster mentioning automated machine learning across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
AutoEnergy算法提升能源预测的准确性和速度
一篇新论文介绍了一种领域定制的自动化特征工程算法AutoEnergy，旨在改进能源消耗预测。该算法通过从时间戳和历史消耗数据生成可解释的特征，减少了对专家驱动的特征设计的依赖。与AutoML集成后，AutoEnergy在十八个真实世界能源数据集上显著降低了预测误差，在准确性和速度方面均优于基线方法。此外，将其应用于电池储能系统问题并结合面向决策的学习，带来了可观的运营成本节约。
-
Ashley Park 分享白血病经历，呼吁献血
女演员 Ashley Park 分享了她患急性髓系白血病的个人经历，并倡导增加献血。Park 最近完成了 "Emily In Paris" 的拍摄，她正利用自己的平台提高人们对献血者关键需求的认识。
-
神经符号 AI 应对企业合规挑战
为金融科技、医疗保健和法律等高度监管的行业构建企业合规引擎，需要超越纯粹的概率性 AI 模型。这些行业要求零幻觉率，因为即使是微小的错误也可能导致严重的财务和法律后果。提出了一种神经符号架构，它将用于自然语言理解的神经网络与用于规则验证的确定性符号逻辑相结合。这种方法将不可信的自然语言接口与一个严格可靠、由知识图谱支持的符号层分离开来，确保绝对的真实性和可解释性。
-
新的 SAGE-Loop 框架提高了 LLM 驱动的 AutoML 的可靠性
研究人员推出 SAGE-Loop，一个旨在提高自动化机器学习 (AutoML) 过程可靠性的新框架，特别是在与大型语言模型 (LLM) 集成时。该系统通过引入闭环机制来解决当前 AutoML 的局限性，该机制允许试错，使其能够在执行过程中进行适应和优化。SAGE-Loop 还为监督和无监督任务提供了自适应集成策略，旨在提高各种数据集和任务类型的性能和稳定性。
-
AutoML 的瓶颈在于与生产环境相似的训练数据
自动化机器学习 (AutoML) 的主要瓶颈不在于算法本身，而在于训练数据的质量和代表性。为了使 AutoML 真正有效，用于训练的数据必须与模型将被部署的真实生产环境高度相似。这种匹配对于确保自动化模型在实际应用中可靠且准确地运行至关重要。
-
文本识别AI模型综述：挑战与未来方向
一项遵循PRISMA指南的最新文献综述，分析了2015年1月至2025年1月期间关于光学字符识别（OCR）机器学习模型的97项研究。该综述详细介绍了OCR领域AI模型的演变、应用领域和语言覆盖范围，强调了在处理不同文字和退化文档方面的进展。它还指出了持续存在的挑战，如代表性不足的语言资源有限以及手写文本的可变性，并提出了自监督学习、多模态AI和TinyML等解决方案以期未来改进。
-
AutoML 从手动流程演变为智能机器学习
本文探讨了自动化机器学习（AutoML），详细介绍了其从手动试错过程演变为复杂智能系统的过程。文章重点介绍了现代 AutoML 技术如何采用贝叶斯优化、神经架构搜索和进化算法等方法来简化机器学习工作流程。
-
新框架增强了自动化传感器诊断流水线的透明度
研究人员引入了一种名为候选者命运核算（candidate-fate accounting）的新框架，以提高工业传感器诊断的自动化机器学习（AutoML）的透明度。该方法解决了仅报告成功试验的常见做法，而忽略了无效、修剪或不匹配的候选者信息。通过追踪每个候选者的命运，该框架提供了信号约束、预算使用和未评估替代方案的可审计证据，从而改进了诊断搜索流水线的审查过程。实验表明，该方法在保持具有竞争力的诊断性能的同时，识别出了大量被忽略的候选者。
-
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 …
-
新论文提出用于招聘中道德AI的人机交互（HCI）框架
一篇新论文探讨了在专门用于人力资源招聘流程的自动化机器学习（AutoML）工具中整合公平性和用户体验。文章指出，虽然AutoML提高了效率，但存在延续历史数据偏见的风险。该研究通过定性的人机交互（HCI）审计和对八个AutoML平台的定量测试，发现了透明度、用户控制和偏见缓解方面的显著不足。为解决这些问题，该论文提出了一个新的基于人机交互（HCI）的公平性评估框架，并主张将公平性直接嵌入AutoML系统的产品设计中，以确保道德可持续性…
-
MVB Bank 与 Bretton AI 合作，实现自动化合规筛查
MVB Bank 已与 Bretton AI 合作，以加强其“了解你的客户”(KYC) 和“反洗钱”(AML) 合规流程。此次合作将利用 Bretton AI 的能力来自动化筛查程序。一个位于美国的专门团队将监督系统生成的警报的审查，确保遵守银行的具体政策。
-
LLM驱动的代理简化了生物学家的蛋白质工程
已开发出两个新的代理框架AutoProteinEngine (AutoPE) 和 TourSynbio-Search，以简化生物学家的蛋白质工程。AutoPE 利用大型语言模型 (LLM) 实现与深度学习模型的自然语言交互，用于模型选择和超参数优化等任务。TourSynbio-Search 由 TourSynbio-7B LLM 提供支持，提供跨科学文献和蛋白质数据库的统一搜索方法，解释自然语言查询以从 UniProtKB 和 arX…
-
DoctorAgents 框架使用 LLM 代理优化临床数据 AutoML · 跟踪 2 个来源
研究人员推出 DoctorAgents，一个旨在优化临床时间序列数据自动化机器学习 (AutoML) 流水线的新型人工智能框架。该框架利用专门的大型语言模型 (LLM) 代理自主构建和优化机器学习流水线，超越了传统的暴力搜索方法。DoctorAgents 采用自然语言反馈和文本梯度下降进行有针对性的更新，在各种临床任务上展示出比现有 AutoML 基线更优越的性能和可解释性。
-
AutoML 管道自动化文本数据趋势预测
本文介绍了 AutoCluster、AutoTopicModeling 和 AutoTrendAnalysis，这是一个全面的 AutoML 管道，旨在从具有时间属性的文本数据中预测新兴趋势。该系统自动化了最佳聚类、主题建模（LDA、LSA、BERTopic、NMF）和时间序列预测（Prophet、ARIMA、STL、LSTM）算法的选择。通过根据预测准确性对主题进行分类，该框架识别出强信号、弱信号和噪声，旨在减少手动工作量并提高机器…
-
USA Digital Hub 提供已验证的 Revolut 和币安账户
USA Digital Hub 实体提供 Revolut 和币安等金融平台的已验证账户。这些服务旨在绕过冗长的验证流程，让用户立即获得增强功能和更高的交易限额。这些账户被视为个人和企业在全球范围内扩展其数字业务的方式，特别是对于那些银行服务受限的地区。
-
新研究质疑生存模型评估方法
一篇新发表在arXiv上的论文探讨了评分规则在生存模型评估中的恰当性，特别是在删失情况下的评估。由Raphael Sonabend领导的研究引入了边际恰当性的概念，并证明了像SBS和ISBS这样常用的规则在有限随访或治愈比例下可能变得不恰当。该研究强调了这些理论问题可能导致模型之间产生误导性比较，并强调了在生存分析中改进评估方法的必要性。
-
梯度跨度算法在高维机器学习中展现出可预测的进展
研究人员已经证明，“梯度跨度算法”在高维度的缩放高斯随机函数上表现出可预测的行为。这一发现为大型机器学习模型在复杂地形上进行随机初始化后，多次训练运行中观察到的持续成本曲线提供了理论解释。可预测的进展现象已被自动化机器学习（AutoML）社区利用，减少了使用相同超参数进行重复训练的需要。
-
MLOps 指南涵盖 AI 生命周期、部署和治理
本文全面概述了 MLOps，涵盖了从初始开发到部署和持续管理的整个 AI 生命周期。它深入探讨了关键概念，如 AI 治理、漂移检测、AutoML 以及联邦学习和分布式学习等各种学习范式。文章还概述了有效实施 MLOps 所必需的 AI 技术栈的关键组成部分。
-
新框架通过线索引导的发现，助力反洗钱调查
研究人员开发了一个名为 Clue2Group 的新框架，以协助反洗钱调查。该框架克服了现有方法的局限性，允许分析人员从特定线索开始，逐步揭示金融网络中隐藏的犯罪团伙及其结构。Clue2Group 构建了一个聚焦的局部调查上下文，使用图神经网络估算风险场，并整合各种证据类型来识别连贯的洗钱团伙，展示了其在实际反洗钱工作流程中的实用价值。
-
AutoML 优化深度迁移神经网络以提高效率和性能
研究人员开发了一种使用 AutoML 的多目标超参数优化方法，以提高深度迁移神经网络 (DSNNs) 的效率和性能。该方法专门针对图像分类任务，旨在平衡准确性与降低能耗和排放。该方法确定了 DSNN 配置，可将性能提高约 20%，同时将排放量减少 60% 以上，揭示了量化策略中细微的权衡。