論文の概要: Torch-Struct: Deep Structured Prediction Library
- arxiv url: http://arxiv.org/abs/2002.00876v1
- Date: Mon, 3 Feb 2020 16:43:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 08:04:32.513029
- Title: Torch-Struct: Deep Structured Prediction Library
- Title（参考訳）: torch-struct: 深層構造予測ライブラリ
- Authors: Alexander M. Rush
- Abstract要約: 本稿では,構造化予測ライブラリTorch-Structを紹介する。
Torch-Structには,シンプルで柔軟な分散ベースのAPIを通じてアクセスされる,確率的構造の広範なコレクションが含まれている。
- 参考スコア（独自算出の注目度）: 138.5262350501951
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The literature on structured prediction for NLP describes a rich collection
of distributions and algorithms over sequences, segmentations, alignments, and
trees; however, these algorithms are difficult to utilize in deep learning
frameworks. We introduce Torch-Struct, a library for structured prediction
designed to take advantage of and integrate with vectorized,
auto-differentiation based frameworks. Torch-Struct includes a broad collection
of probabilistic structures accessed through a simple and flexible
distribution-based API that connects to any deep learning model. The library
utilizes batched, vectorized operations and exploits auto-differentiation to
produce readable, fast, and testable code. Internally, we also include a number
of general-purpose optimizations to provide cross-algorithm efficiency.
Experiments show significant performance gains over fast baselines and
case-studies demonstrate the benefits of the library. Torch-Struct is available
at https://github.com/harvardnlp/pytorch-struct.
- Abstract（参考訳）: NLPの構造化予測に関する文献では、シーケンス、セグメンテーション、アライメント、ツリー上の分布とアルゴリズムの豊富なコレクションが記述されているが、これらのアルゴリズムはディープラーニングフレームワークでは利用が難しい。
我々は,ベクトル化・自己微分型フレームワークを活用した構造化予測ライブラリであるtorch-structを紹介する。
Torch-Structには、任意のディープラーニングモデルに接続するシンプルで柔軟な分散ベースのAPIを通じてアクセスされる、確率的な構造の広範なコレクションが含まれている。
このライブラリは、バッチでベクタ化された操作を利用し、自動微分を利用して可読性、高速、そしてテスト可能なコードを生成する。
内部的には、クロスアルゴリズム効率を提供するために、多くの汎用最適化も含んでいます。
実験では、高速なベースラインよりも大きなパフォーマンス向上を示し、ケーススタディはライブラリの利点を示している。
Torch-Structはhttps://github.com/harvardnlp/pytorch-structで入手できる。
関連論文リスト
- Finding structure in logographic writing with library learning [55.63800121311418]
書記システムにおける構造を発見するための計算フレームワークを開発する。
我々の枠組みは中国語の表記体系における既知の言語構造を発見する。
図書館学習のアプローチが、人間の認知における構造の形成の基盤となる基本的な計算原理を明らかにするのにどのように役立つかを実証する。
論文 参考訳（メタデータ） (2024-05-11T04:23:53Z) - SynJax: Structured Probability Distributions for JAX [3.4447129363520337]
SynJaxは、構造化分布に対する推論アルゴリズムの効率的なベクトル化実装を提供する。
データの構造を明示的にモデル化する大規模な微分可能なモデルを構築することができます。
論文 参考訳（メタデータ） (2023-08-07T04:20:38Z) - torchgfn: A PyTorch GFlowNet library [56.071033896777784]
torchgfnはPyTorchライブラリで、このニーズに対処することを目指している。
環境のためのシンプルなAPIと、サンプルと損失のための有用な抽象化を提供する。
論文 参考訳（メタデータ） (2023-05-24T00:20:59Z) - SE-GSL: A General and Effective Graph Structure Learning Framework
through Structural Entropy Optimization [67.28453445927825]
グラフニューラルネットワーク(GNN)は、構造的データ学習のデファクトソリューションである。
既存のグラフ構造学習(GSL)フレームワークには、堅牢性と解釈性がない。
本稿では、構造エントロピーと符号化木に抽象化されたグラフ階層を通して、一般的なGSLフレームワークSE-GSLを提案する。
論文 参考訳（メタデータ） (2023-03-17T05:20:24Z) - Top-Down Synthesis for Library Learning [46.285220926554345]
コーパス誘導トップダウン合成は、プログラムのコーパスから共通機能をキャプチャするライブラリ関数を合成するメカニズムである。
本稿では,この手法をStitchと呼ばれるツールに実装し,DreamCoderの最先端の推論ライブラリ学習アルゴリズムに対して評価する。
論文 参考訳（メタデータ） (2022-11-29T21:57:42Z) - pyGSL: A Graph Structure Learning Toolkit [14.000763778781547]
pyGSLは、最先端のグラフ構造学習モデルの効率的な実装を提供するPythonライブラリである。
pyGSLはGPUフレンドリーな方法で書かれており、より大きなネットワークタスクにスケールすることができる。
論文 参考訳（メタデータ） (2022-11-07T14:23:10Z) - TSInterpret: A unified framework for time series interpretability [0.0]
解釈可能性のアプローチと視覚化は、統一されたAPIやフレームワークを使わずに、多種多様である。
本稿では,時系列分類器の予測を解釈するオープンソースPythonライブラリTSInterpretを紹介する。
i) 最先端の解釈可能性アルゴリズム、(ii) 統一されたAPIを公開し、ユーザーが一貫した説明を扱えるようにし、(iii) それぞれの説明に相応しいものを提供する。
論文 参考訳（メタデータ） (2022-08-10T11:25:58Z) - Captum: A unified and generic model interpretability library for PyTorch [49.72749684393332]
我々は,PyTorch用の新しい,統一されたオープンソースモデル解釈可能性ライブラリを紹介する。
このライブラリには、多くの勾配と摂動に基づく属性アルゴリズムの汎用的な実装が含まれている。
分類モデルと非分類モデルの両方に使用できる。
論文 参考訳（メタデータ） (2020-09-16T18:57:57Z) - Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。
パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。
適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
論文 参考訳（メタデータ） (2020-03-03T15:20:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。