AutoML-GPT: Automatic Machine Learning with GPT
提出一种基于大型语言模型的自动机器学习方法AutoML-GPT，利用GPT作为桥梁自动完成各种AI任务的数据处理、模型架构设计和超参数优化等流程，有效提高了训练效率和模型性能。
解决问题： 这篇论文试图解决的问题是如何自动化机器学习的训练过程，以减少人工寻找模型结构、优化算法和超参数的时间和精力。同时，论文还试图验证利用大型语言模型（LLMs）自动化训练的可行性。
论文地址：https://arxiv.org/abs/2305.02499
动机：解决人工挑选模型架构、优化算法和超参数等问题，提高训练效率和模型性能。 方法：利用GPT作为桥梁自动完成各种AI任务的数据处理、模型架构设计和超参数优化等流程。 优势：能通过AutoML-GPT的强大语言能力和现有AI模型解决各种复杂的AI任务，提高训练效率和模型性能。关键思路： 论文的关键思路是使用GPT作为桥梁，将自动化训练的任务分为两个步骤：首先，根据用户请求和数据卡片生成相应的提示段落；然后，利用提示段落自动进行数据处理、模型架构、超参数调整和预测训练日志。相比于当前的研究，论文的思路在于利用LLMs自动生成提示段落，从而实现自动化训练。
其他亮点： 论文的实验设计了多个任务和数据集，包括计算机视觉和自然语言处理等领域，证明了AutoML-GPT的通用性和有效性。此外，论文提供了开源代码。值得继续深入研究的是，如何进一步提高自动生成提示段落的准确性和效率。
关于作者： Shujian Zhang、Chengyue Gong、Lemeng Wu、Xingchao Liu和Mingyuan Zhou均来自南京大学。他们之前的代表作包括：
Zhang等人在ACL 2020上发表的论文《ERNIE-GEN: An Enhanced Multi-Flow Pre-training and Fine-tuning Framework for Natural Language Generation》 Gong等人在AAAI 2020上发表的论文《Unsupervised Cross-lingual Representation Learning at Scale》 Wu等人在EMNLP 2020上发表的论文《Improving Low-resource Named Entity Recognition with Joint Learning and Contrastive Learning》 Liu等人在ACL 2020上发表的论文《Graph-based Neural Multi-Document Summarization》 Zhou等人在AAAI 2021上发表的论文《Joint Entity Recognition and Relation Extraction as a Multi-head Selection Problem》论文摘要：该论文提出了一种名为AutoML-GPT的自动机器学习方法，它利用了大型语言模型（LLMs）如ChatGPT在推理、理解和交互等方面的出色能力，并通过开发面向任务的提示语句，自动利用LLMs来自动化训练流程。AutoML-GPT利用GPT作为桥梁，动态地训练具有优化超参数的各种AI模型。它通过获取用户请求和数据卡，组成相应的提示段落，最终自动从数据处理到模型架构、超参数调整和预测训练日志等方面进行实验。该方法利用了LLMs的强大语言能力和可用的AI模型，可以处理各种复杂的AI任务和数据集，并在计算机视觉、自然语言处理和其他具有挑战性的领域取得了显著的结果。大量实验和消融研究表明，该方法具有普适性、有效性和益处，适用于许多AI任务。
