automl

介绍了SAGE，首个端到端的LLM驱动的多智能体框架用于欺诈检测，它使用数据诊断树和具有自然语言梯度的马尔可夫决策过程，在类别不平衡下优化模型。实验表明，在五个数据集上，与基线相比F1有显著提升。

介绍了autoresearch项目，它将AI研究过程拆解为可验证的循环（固定环境、单一可编辑文件、固定指标、Git回滚），使AI agent能进行可控、可复现的实验迭代；同时提及了12-factor-agents清单。

本文介绍了yvsoucom-iterkit，一个确定性的日志驱动AutoML框架，用于医疗风险预测中可复现的流水线优化。在糖尿病和中风数据集上评估了超过18,000个流水线配置，取得了强劲的性能，并揭示了具有组件冗余的结构化搜索空间。

来自谷歌和 Meta 的研究人员提出了 AutoTTS 框架，该框架利用 AI 代理在没有人工干预的情况下，自动发现并优化大语言模型（LLM）的推理时缩放策略。该代理成功识别出了复杂的、协同工作的推理机制，在较低的计算成本下优于人工设定的基准。