本論文では、機械学習パイプラインの自動設定を実現するAutoMLの問題について考察する。特に、アルゴリズムとその適切なハイパーパラメータを共同で選択し、監視学習パイプラインのすべてのステップにおいて最適化を行う。著者らは、交互方向法（ADMM）を活用した新しいAutoMLスキームを提案し、このフレームワークは最適化問題をより簡単なサブ問題に分解し、混合変数の課題を回避することができる。この手法は、ブラックボックスの制約を考慮しながら、実用的な問題に基づいてAutoMLを実行する独自の能力を有する。UCI MLとOpenMLのバイナリ分類データセットを用いた実験により、提案するフレームワークは、他のAutoMLフレームワーク（Auto-sklearnやTPOT）と比較して顕著な利点を提供することが明らかとなった。