AutoLearn - Automated Feature Generation and Selection - 2017 ICDM
核心思想：
用特征之间两两回归的方法，发现相关特征的额外信息。
主要流程如下：
第一，特征预处理阶段，对原始特征的信息增益进行判断，剔除低于某个阈值的特征；
第二，挖掘相关特征阶段，对于两两的特征，判断相关性，保留高于某个阈值的特征对；
第三，特征生成阶段，根据两个特征之间的相关关系（线性或者非线性），使用领回归或者核领回归的方法，用一个特征去预测另外一个特征，新特征可以用如下方法获得，首先，预测出的特征可以作为新特征，其次，预测特征与原特征的差值可以作为新特征；
第四，特征选择阶段，根据稳定性要求（对数据集随机抽样，在不同的样本上选择特征，最终选择在多个样本上都被选择的特征，通常使用lasso回归选择特征），和信息增益，选择最终特征。
评价：
比较繁琐，不是很聪明，感觉效果不好。
Learning feature engineering for classification - 2017 IJCAI
核心思想：
根据特征本身的分布情况，选择最合适的特征工程方法。
主要内容：
特征工程分为两类，一类是针对单个特征，比如平方，求平方根等，一类是针对组合特征（一般是两两组合），组合方式可以是加减乘除等等。本文提出了一种基于分类目标的对特征分布的表示方法：量化框架数组（Quantile Sketch Array），用于描述特征的分布，以及以这种定长的分布为输入，学习一个多分类器，目标就是特定的特征工程方法。最终，在多分类器中，只要某个类别的分数超过一定的阈值，就选择它作为特征。
评价：
这种方法比较靠谱，原因在于它学习到的是一种基于分类目标的、从特征分布到特征工程方式的分类器，这种分类器具有一定的经验在里面，本身这个分类器就是一种不可替代的工具。
Automating Feature Engineering
核心思想：
与Learning feature engineering for classification是一样的，只不过增加了一个整体流程图。
Deep Feature Synthesis: Towards Automating Data Science Endeavors
核心思想：
以关系型数据为处理对象，把根据关系型数据生成特征的过程自动化了，属于特征工程前期（即产生原始特征）阶段的工作。
主要内容：
Entity feature：两类，一类是对具体的特征进行单元素处理，另一类是获取元素的分布数据；
Direct Feature and Rational Feature：先来介绍Forward and backward：前向和后向的概念，例如订单与客户，是前向关系，因为每个订单都对应唯一一个客户，而客户与订单，就是一个后向关系，因为一个客户可以对应多个订单。直接特征对应了前向关系，关系特征对应了后向关系。
用一个例子解释一下上述概念，在电商领域，为了判断一个用户对一件商品的喜好程度，需要考虑三个粒度的特征，第一是用户，第二是用户群体，第三是订单。最终生成的特征肯定是用户级别的，比如，包含用户的年龄、性别、受教育程度（Entity Feature），当前年龄段的人均账单数（Direct feature），该用户的总账单数（Rational Feature）。
评价：
把原始特征生成的工作自动化了，甚至还包括了kaggle上的结果自动提交，有价值但是比较繁琐。
ExploreKit: Automatic Feature Generation and Selection - 2016 ICDM
核心思想：
在原始特征的基础上，自动生成有价值的新特征，使用了一阶、二阶、高阶的方法，对生成的特征，用一个基于机器学习的排序模型进行粗排序，然后评估。
主要流程：
第一，生成合成的特征，使用了一阶、二阶、高阶的算子，提供一个框架，更多的算子可以加入。
第二，对合成后特征的提供信息的能力进行排序，排序的方法是，对新特征提取meta信息，包含了数据集的信息（样本数、分类的类别数、之前的分类器的AUC、精确度、召回率等指标），以及生成特征本身的信息（均值、方差、1/4分位数等等），用一个已经训练好的排序打分模型，进行预估。其中，这个排序打分模型是利用很多其他的数据集离线训练得到的，当然离线训练的时候，生成特征的能力就可以用添加该特征后分类精度的提升来表示了。
第三，特征评估，对于本轮生成的新特征，逐一进行评估，评估方法是，对于加入该特征前后，同一个模型的分类精度进行评价，提升值高于某个阈值，就可以加入特征集。整个过程一直持续到最大的迭代轮数为止。
评价：
与Learning feature engineering for classification的思路一样，只是流程更完善。
核心思想：
与Deep Feature Synthesis中DSM（Data Science Machine）的思路一样，只是多了对非结构化数据（比如文本、序列）的处理，本身没有太多的新东西。
Google Vizier: A Service for Black-Box Optimization
核心思想：
把黑盒优化的功能做成了一个产品，对于机器学习模型超参调整很有帮助，Google就是牛。
主要内容：
黑盒优化有很多的应用，机器学习里面主要用在超参调优。之前的方法有随机选择、网格搜索、模拟退火、遗传算法，另外还有单纯型法和置信区间法（在某个区间内，用某一个简单模型模拟黑盒，然后选择这个简单模型的最优解）。最近很多人采用了强化学习中MultiBandit的模型来平衡应用和探索，使用模型来建模全局的f，本质上是贝叶斯优化，常采用的模型有高斯过程、深度神经网络、回归森林等。
在Vizier中，谷歌把很多功能都做成了服务的形式，具体的工程实现方式介绍了很多，没有细看。