論文の概要: Karate Club: An API Oriented Open-source Python Framework for Unsupervised Learning on Graphs

• arxiv url: http://arxiv.org/abs/2003.04819v3
• Date: Fri, 7 Aug 2020 10:21:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 20:54:32.727961
• Title: Karate Club: An API Oriented Open-source Python Framework for Unsupervised Learning on Graphs
• Title（参考訳）: Karate Club: グラフの教師なし学習のためのAPI指向のオープンソースPythonフレームワーク
• Authors: Benedek Rozemberczki, Oliver Kiss, Rik Sarkar
• Abstract要約: Karate Clubは、30以上の最先端グラフマイニングアルゴリズムを組み合わせたPythonフレームワークである。 実世界のクラスタリング問題における学習性能について,Karate Clubの効率性を示す。
• 参考スコア（独自算出の注目度）: 8.089234432461804
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Karate Club a Python framework combining more than 30 state-of-the-art graph mining algorithms which can solve unsupervised machine learning tasks. The primary goal of the package is to make community detection, node and whole graph embedding available to a wide audience of machine learning researchers and practitioners. We designed Karate Club with an emphasis on a consistent application interface, scalability, ease of use, sensible out of the box model behaviour, standardized dataset ingestion, and output generation. This paper discusses the design principles behind this framework with practical examples. We show Karate Club's efficiency with respect to learning performance on a wide range of real world clustering problems, classification tasks and support evidence with regards to its competitive speed.
• Abstract（参考訳）: 我々は、教師なし機械学習タスクを解くことができる30以上の最先端グラフマイニングアルゴリズムを組み合わせたPythonフレームワークKarate Clubを提案する。 このパッケージの主な目標は、コミュニティ検出、ノード、グラフ全体の埋め込みを、機械学習研究者や実践者の幅広い聴衆に利用できるようにすることである。 私たちは、一貫性のあるアプリケーションインターフェース、スケーラビリティ、使いやすさ、ボックスモデルの振る舞い、標準化されたデータセットの取り込み、アウトプット生成に重点を置いた空手クラブを設計しました。 本稿では,この枠組みの背景にある設計原則を実例で論じる。 空手部は,実世界のクラスタリング問題,分類課題の多岐にわたる課題において,学習性能の面での効率性を示し,その競争速度に関するエビデンスを裏付ける。

関連論文リスト

• Offline Skill Graph (OSG): A Framework for Learning and Planning using Offline Reinforcement Learning Skills [0.0]
  オフラインのスキルを計画し、現実の環境で複雑なタスクを解くためのフレームワークを提案する。 我々のフレームワークは3つのモジュールから構成されており、エージェントは以前に収集したデータから学習することができる。 複雑なタスクを解くのに必要なロボットアームでテストすることで、我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2023-06-23T17:35:02Z)
• Curriculum Graph Machine Learning: A Survey [51.89783017927647]
  カリキュラムグラフ機械学習(Graph CL)は、グラフ機械学習とカリキュラム学習の強みを統合する。 本稿では,グラフCLのアプローチを概観し,最近の研究動向を概観する。
  論文  参考訳（メタデータ） (2023-02-06T16:59:25Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• Open Long-Tailed Recognition in a Dynamic World [82.91025831618545]
  実世界のデータは、しばしば長い尾を持ち、(目に見えないクラスを持つ)オープンな分布を示す。 現実的な認識システムは、多数派(頭)クラスと少数派(尾)クラスの間でバランスを取り、分布を一般化し、見知らぬクラス(オープンクラス)のインスタンスで新規性を認める必要がある。 我々は,Open Long-Tailed Recognition++を,このような自然分布データからの学習として定義し,バランスの取れたテストセット上での分類精度を最適化する。
  論文  参考訳（メタデータ） (2022-08-17T15:22:20Z)
• Automated Graph Machine Learning: Approaches, Libraries, Benchmarks and Directions [58.220137936626315]
  本稿では,グラフ機械学習の自動手法について論じる。 当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。 また、統一的で再現性があり、効率的な評価をサポートする調整されたベンチマークについて述べる。
  論文  参考訳（メタデータ） (2022-01-04T18:31:31Z)
• Graph Few-shot Class-incremental Learning [25.94168397283495]
  新しいクラスを段階的に学習する能力は、すべての現実世界の人工知能システムにとって不可欠である。 本稿では,グラフFCL(Graph Few-shot Class-incremental)問題について検討する。 基本クラスから繰り返しタスクをサンプリングすることでグラフ擬似インクリメンタルラーニングパラダイムを提案する。 本稿では,タスクレベルの注意とノードクラスのプロトタイプから計算したタスク依存型正規化器について述べる。
  論文  参考訳（メタデータ） (2021-12-23T19:46:07Z)
• Bayesian Embeddings for Few-Shot Open World Recognition [60.39866770427436]
  埋め込みベースの数ショット学習アルゴリズムをオープンワールド認識設定に拡張する。 当社のフレームワークは,MiniImageNetとTieredImageNetによる数ショット学習データセットのオープンワールド拡張をベンチマークする。
  論文  参考訳（メタデータ） (2021-07-29T00:38:47Z)
• CLASTER: Clustering with Reinforcement Learning for Zero-Shot Action Recognition [52.66360172784038]
  各インスタンスを個別に最適化するのではなく,すべてのトレーニングサンプルを同時に考慮したクラスタリングモデルを提案する。 提案手法をCLASTERと呼び,すべての標準データセットの最先端性を常に改善することを確認する。
  論文  参考訳（メタデータ） (2021-01-18T12:46:24Z)
• Neural Stochastic Block Model & Scalable Community-Based Graph Learning [8.00785050036369]
  本稿では,グラフ学習のためのスケーラブルなコミュニティベースニューラルネットワークを提案する。 このフレームワークは,コミュニティ検出とリンク予測のタスクを通じて,グラフトポロジを学習する。 グラフアライメントと異常相関検出の2つの応用について検討する。
  論文  参考訳（メタデータ） (2020-05-16T03:28:50Z)
• Learning fine-grained search space pruning and heuristics for combinatorial optimization [5.72274610208488]
  本稿では,機械学習技術を利用して正確な最適化アルゴリズムをスケールアップするフレームワークを提案する。 我々のフレームワークは、問題インスタンスのサイズを減らすために、要素を刈り取るという比較的単純なタスクを学習します。 我々のフレームワークは入力グラフのかなりの部分を取り除き、なおも最大傾きのほとんどを検出可能であることを示す。
  論文  参考訳（メタデータ） (2020-01-05T13:10:39Z)

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。