自动机器学习一直以来都以计算量大而著称，贝叶斯优化等以高效著称的方法也都没能很好解决此问题，机器学习开发者很多还是依赖于经验与直观理解进行手动调参。近日，南京大学、第四范式和香港科技大学发表论文《Multi-Fidelity Automatic Hyper-Parameter Tuning via Transfer Series Expansion 》，提出了一种多保真度自动机器学习方法，其在优化过程中利用修正后低保真度评价来代替原始的高保真度评价，而大大减少了总体评价的代价。