摘要
2023.自动。 https://github.com/ClimbsRocks/auto_ml 谷歌学者 
秋叶拓哉、三野昭太郎、延濑敏彦、大田武夫和小山正男。 2019.Optuna:下一代超参数优化框架。In 第25届ACM SIGKDD知识发现和数据挖掘国际会议论文集。 谷歌学者 数字图书馆 
詹姆斯·伯格斯特拉（James Bergstra）、丹尼尔·亚明斯（Daniel Yamins）和大卫·考克斯（David Cox）。 2013.建立模型搜索科学：视觉架构数百维超参数优化。 在 第30届机器学习国际会议论文集（机器学习研究论文集，第28卷） Sanjoy Dasgupta和David McAllester（编辑）。 美国佐治亚州亚特兰大市PMLR，115-123。 https://proceedings.mlr.press/v28/bergstra13.html 谷歌学者 陈田琪（Tianqi Chen）和卡洛斯·盖斯特林（Carlos Guestrin），2016年。 XGBoost：一个可扩展的树增强系统。 在 第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集 （美国加利福尼亚州旧金山） （KDD’16） .ACM，美国纽约州纽约市，785--794。 谷歌学者 数字图书馆 Francois Chollet等人，2015年。 凯拉斯。 https://github.com/fchollet/keras 谷歌学者 Piali Das、Nikita Ivkin、Tanya Bansal、Laurence Rouesnel、Philip Gautier、Zohar Karnin、Leo Dirac、Lakshmi Ramakrishnan、Andre Perunicic、Iaroslav Shcherbatyi、Wilton Wu、Aida Zolic、Huibin Shen、Amr Ahmed、Fela Winkelmolen、Miroslav Miladinovic、Cedric Archembeau、Alex Tang、Bhaskar Dutt、Patricia Grao和Kumar Venkateswar。 2020年，亚马逊SageMaker Autopilot：大规模的白盒AutoML解决方案。 在 第四届端到端机器学习数据管理国际研讨会会议记录 （俄勒冈州波特兰，美国） （DEEM'20） 美国纽约州纽约市计算机协会，第2条，共7页。 谷歌学者 数字图书馆 马蒂亚斯·费勒（Matthias Feurer）、亚伦·克莱恩（Aaron Klein）、凯萨琳娜·艾根斯佩格（Katharina Eggensperger）、约斯特·斯普林伯格（Jost Springenberg）、曼努埃尔·布鲁姆（Manuel Blum）和弗兰克·赫特。 2015.高效稳健的自动机器学习。 在 神经信息处理系统进展28（2015） . 2962--2970. 谷歌学者 数字图书馆 金海峰、宋清泉和胡霞，2019年。 Auto-Keras：一个高效的神经架构搜索系统。 在 第25届ACM SIGKDD知识发现与数据挖掘国际会议论文集 （安克雷奇，阿拉斯加州，美国） （KDD’19） 美国纽约州纽约市计算机协会，1946年至1956年。 谷歌学者 数字图书馆 加布里埃尔·科皮托·朱利安·安布拉德（Gabriel Kopito Julien Amblard），罗伯特·菲尔曼（Robert Filman）。 2023.GPStar4：遗传编程实验的灵活框架。 提交给GECCO 2023。 谷歌学者 数字图书馆 詹姆斯·马克斯·坎特（James Max Kanter）和卡尔扬·维拉马查尼（Kalyan Veeramachaneni）。 2015.深度特征合成：走向自动化数据科学工作。 2015 IEEE数据科学和高级分析国际会议（DSAA） （2015），1-10。 谷歌学者 交叉引用 
唐纳德·E·克努思。 1968.上下文无关语言的语义。 数学。 系统。 理论 2, 2 (1968), 127--145. 谷歌学者 交叉引用 埃林·勒德尔和塞巴斯蒂安·波里埃。 2020年，H2O AutoML：可扩展的自动机器学习。 第七届ICML自动机器学习研讨会（AutoML） （2020年7月）。 https://www.automl.org/wp-content/uploads/2020/07/automl_2020_paper_61.pdf 谷歌学者 埃德加·加尔瓦恩·洛佩斯和卡蒂亚·罗德里格斯-巴斯克斯。 2007.一棵树中的多个交互输出：实证调查。 在 2007年4月11日至13日，西班牙巴伦西亚，第十届欧洲遗传编程会议，EuroGP 2007，会议记录（计算机科学讲稿，第4445卷） 马克·埃布纳（Marc Ebner）、迈克尔·奥尼尔（Michael O'Neill）、阿尼科·埃卡特（AnikóEkárt）、莱昂纳多·范内斯基（Leonardo Vanneschi）和安娜·埃斯帕西亚·阿尔卡扎尔（Anna Esparcia-Alcáza。 施普林格，341--350。 谷歌学者 交叉引用 Randal S.Olson、Nathan Bartley、Ryan J.Urbanowicz和Jason H.Moore。 2016.自动化数据科学的基于树的管道优化工具评估。 谷歌学者 交叉引用 Randal S.Olson、William La Cava、Patryk Orzechowski、Ryan J.Urbanowicz和Jason H.Moore。 2017.PMLB：用于机器学习评估和比较的大型基准套件。 生物数据挖掘 10、36（2017年12月11日），1-13。 谷歌学者 交叉引用 迈克尔·奥尼尔。 2009年，里卡多·波利（Riccardo Poli）、威廉·B·兰登（William B.Langdon）、尼古拉斯·麦克菲（Nicholas F.McPhee）：《遗传编程实地指南：露露》（The Field Guide to Genetic Programming:Lulu）。 com，2008年，250页，ISBN 978-1-4092-0073-4。 谷歌学者 F.Pedregosa、G.Varoqueaux、A.Gramfort、V.Michel、B.Thirion、O.Grisel、M.Blondel、P.Prettenhofer、R.Weiss、V.Dubourg、J.Vanderplas、A.Passos、D.Cournapeau、M.Brucher、M.Perrot和E.Duchesnay。 2011.Scikit-learn：Python中的机器学习。 机器学习研究杂志 12 (2011), 2825--2830. 谷歌学者 数字图书馆 刘德米拉·普罗霍伦科娃（Liudmila Prokhorenkova）、格列布·古塞夫（Gleb Gusev）、阿列克桑德·沃罗贝夫（Aleksandr Vorobev）、安娜·维罗妮卡·多洛古什（Anna Veronika Dorogush）和安德烈·古林。 2018.CatBoost：无偏见的助推，具有分类功能。 在 神经信息处理系统研究进展 、S.Bengio、H.Wallach、H.Larochelle、K.Grauman、N.Cesa-Bianchi和R.Garnett（编辑），第31卷。 Curran Associates公司。 https://proceedings.neurips.cc/paper/2018/file/14491b756b3a51daac41c24863285549-paper.pdf 谷歌学者 莱奥·弗朗索索·D·P·索托、保罗·考夫曼、蒂莫西·阿特金森、罗曼·卡尔克鲁斯和马尔西奥·波尔托·巴斯加洛普。 2020年，遗传编程图形表示研究。 在 2020年遗传和进化计算会议记录 （墨西哥坎昆） （GECCO’20） 美国纽约州纽约市计算机协会，931--939。 谷歌学者 数字图书馆 尹光耀和理查德·约翰逊。 2000.一系列新的权力转换，以改善常态或对称性。 生物特征 87, 4 (12 2000), 954--959. arXiv公司： https://academic.oup.com/biomet/article-pdf/87/4/954/63321/870954.pdf 谷歌学者 交叉引用
