自动化机器学习文献综述精读：从算法选择到“学会如何学习”

说明：本文基于 Edesio Alcobaça 与 André C. P. L. F. de Carvalho 的论文 A literature review on automated machine learning（Artificial Intelligence Review, 2026, 59:5），对文中知识点进行系统梳理与再组织，更侧重理论框架与概念提炼，而非工程案例与未来应用。

---

1 引言：为什么还需要一篇“综述的综述”？

1.1 论文想解决什么问题？

近年来，AutoML（Automated Machine Learning，自动化机器学习）相关综述已经不少：有的聚焦神经架构搜索，有的专门讨论超参数优化，也有的重点介绍自动化管线设计或迁移学习。看似资料很丰富，但真正要“入门 + 构建整体理论框架”时，反而容易迷失在一个个分散的子领域里。

这篇论文做的事情可以概括成一句话：对 AutoML 领域的“综述论文做一次系统性综述（SLR of surveys）。也就是说，它不是直接统计原始研究，而是把大量 AutoML 相关综述再梳理一遍，在更高层次上回答几个核心问题：

• AutoML 的历史根基是什么？

• 经典三大支柱（金属学习、超参数优化、迁移学习）到底怎么定义？

• 它们之间是否可以通过“元知识（meta-knowledge）”被统一？

• 现有综述可以如何系统化归类？

• AutoML 的典型