AutoML
自动化机器学习，通过算法自动搜索和优化机器学习流程中的各个环节（包括特征工程、模型选择、超参数调优等），减少人工干预，提升建模效率
核心事实
时间轴 (近 90 天)
Auto Research与侧重超参数搜索的AutoML不同，目标更为宏观
神经架构搜索（NAS）兴起于2017年前后，核心思想是用算法自动化地在预定义搜索空间中寻找最优神经网络结构
在AutoML测试中，模型自主发现并剔除了博主刻意埋入的数据泄露特征陷阱
Ludwig 与纯 AutoML 工具的区别在于：AutoML 将模型结构纳入自动搜索范围，而 Ludwig 保留用户对模型类型和关键配置的显式控制权，自动化主要体现在训练流程的工程化封装上
AI提效的基础是人已完成参数定位；大模型无法在缺乏人工引导下可靠地自动完成定位工作
第二代AutoML以神经架构搜索为标志，Google的NASNet和EfficientNet出自这一思路
AutoML是将特征选择、模型选择、超参数调优等传统ML流程自动化的技术体系
全部知识事实 (8)
AI提效的基础是人已完成参数定位；大模型无法在缺乏人工引导下可靠地自动完成定位工作
75%已验证AutoML是将特征选择、模型选择、超参数调优等传统ML流程自动化的技术体系
65%待验证在AutoML测试中，模型自主发现并剔除了博主刻意埋入的数据泄露特征陷阱
60%待验证Auto Research与侧重超参数搜索的AutoML不同，目标更为宏观
50%待验证神经架构搜索（NAS）兴起于2017年前后，核心思想是用算法自动化地在预定义搜索空间中寻找最优神经网络结构
50%待验证Ludwig 与纯 AutoML 工具的区别在于：AutoML 将模型结构纳入自动搜索范围，而 Ludwig 保留用户对模型类型和关键配置的显式控制权，自动化主要体现在训练流程的工程化封装上
50%待验证第二代AutoML以神经架构搜索为标志，Google的NASNet和EfficientNet出自这一思路
50%待验证AI自进化应从外部系统Harness入手，而非直接修改模型权重，该方式可回滚、可审计，工程风险更低
50%