본 논문은 AutoML 분야에서의 자원 할당 문제인 결합된 알고리즘 선택 및 하이퍼파라미터 최적화(CASH) 문제를 다룹니다. 저자들은 다양한 모델 클래스 탐색과 하이퍼파라미터 최적화 간의 균형을 맞추기 위한 max k-armed bandit 방법인 MaxUCB를 제안합니다. MaxUCB는 이 설정에서 발생하는 경량 분포 및 제한된 보상 분포에 특화되어 설계되었으며, 따라서 heavy-tailed 보상 분포를 가정하는 기존의 max k-armed bandit 방법에 비해 효율적인 대안을 제공합니다. 네 가지 표준 AutoML 벤치마크에 대한 이론적 및 실험적 평가를 통해 기존 방법보다 우수한 성능을 입증합니다.
