論文の概要: Geomstats: A Python Package for Riemannian Geometry in Machine Learning
- arxiv url: http://arxiv.org/abs/2004.04667v1
- Date: Tue, 7 Apr 2020 20:41:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 01:00:47.336550
- Title: Geomstats: A Python Package for Riemannian Geometry in Machine Learning
- Title（参考訳）: Geomstats: 機械学習におけるリーマン幾何学のためのPythonパッケージ
- Authors: Nina Miolane, Alice Le Brigant, Johan Mathe, Benjamin Hou, Nicolas
Guigui, Yann Thanwerdas, Stefan Heyder, Olivier Peltre, Niklas Koep, Hadi
Zaatiti, Hatem Hajri, Yann Cabanes, Thomas Gerald, Paul Chauchat, Christian
Shewmake, Bernhard Kainz, Claire Donnat, Susan Holmes, Xavier Pennec
- Abstract要約: 非線形方程式の計算と統計のためのオープンソースのPythonツールボックスであるGeomstatsを紹介した。
オブジェクト指向で広範な単体テスト実装を提供しています。
微分幾何学と統計学の研究を促進するため,Geomstatsは信頼性の高いビルディングブロックを提供する。
ソースコードはMITライセンスのもと、urlgeomstats.aiで無料で入手できる。
- 参考スコア（独自算出の注目度）: 5.449970675406181
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce Geomstats, an open-source Python toolbox for computations and
statistics on nonlinear manifolds, such as hyperbolic spaces, spaces of
symmetric positive definite matrices, Lie groups of transformations, and many
more. We provide object-oriented and extensively unit-tested implementations.
Among others, manifolds come equipped with families of Riemannian metrics, with
associated exponential and logarithmic maps, geodesics and parallel transport.
Statistics and learning algorithms provide methods for estimation, clustering
and dimension reduction on manifolds. All associated operations are vectorized
for batch computation and provide support for different execution backends,
namely NumPy, PyTorch and TensorFlow, enabling GPU acceleration. This paper
presents the package, compares it with related libraries and provides relevant
code examples. We show that Geomstats provides reliable building blocks to
foster research in differential geometry and statistics, and to democratize the
use of Riemannian geometry in machine learning applications. The source code is
freely available under the MIT license at \url{geomstats.ai}.
- Abstract（参考訳）: 我々は、双曲空間、対称正定値行列の空間、変換のリー群など、非線形多様体の計算と統計のためのオープンソースのpythonツールボックスであるgeomstatsを紹介する。
オブジェクト指向で広範な単体テスト実装を提供する。
なかでも、多様体はリーマン計量の族を持ち、関連する指数的および対数的写像、測地線および平行輸送を持つ。
統計学と学習アルゴリズムは、多様体上の推定、クラスタリング、次元縮小の手法を提供する。
関連するすべての操作は、バッチ計算のためにベクトル化され、異なる実行バックエンド、すなわちNumPy、PyTorch、TensorFlowをサポートし、GPUアクセラレーションを可能にする。
本稿では,そのパッケージを関連ライブラリと比較し,関連するコード例を示す。
ジオムスタットは微分幾何学と統計学の研究を促進させ、機械学習アプリケーションにおけるリーマン幾何学の使用を民主化するために信頼性の高い構成要素を提供する。
ソースコードはMITライセンスの \url{geomstats.ai} で無償公開されている。
関連論文リスト
- Statistical investigations into the geometry and homology of random programs [0.2302001830524133]
本稿では,チャットGPTから生成したランダムなPythonプログラム間の関係を幾何学的・トポロジ的に記述する方法について述べる。
本稿では,ChatGPT-4とTinyLlamaを画像処理に関する簡単な問題で比較する。
将来、我々のアプローチはプログラミング言語の構造に新たな洞察を与えるかもしれないと推測する。
論文 参考訳（メタデータ） (2024-07-05T20:25:02Z) - YASTN: Yet another symmetric tensor networks; A Python library for abelian symmetric tensor network calculations [0.0]
量子多体シミュレーションのためのオープンソースのテンソルネットワークPythonライブラリを提案する。
中心となるのは、高密度多次元配列バックエンド上の論理層によって管理されるスパースブロック構造として実装されたアーベル対称テンソルである。
本稿では,ADによる基底状態の探索や,仮想時間進化によるハバードモデルの熱状態のシミュレーションなど,無限に投影された絡み合ったペア状態のシミュレーションにおいて,ライブラリのパフォーマンスを示す。
論文 参考訳（メタデータ） (2024-05-20T17:32:16Z) - Intrinsic Gaussian Process on Unknown Manifolds with Probabilistic
Metrics [5.582101184758529]
本稿では、点雲に確率的測度を持つ未知多様体上の回帰のための固有ガウス過程を構築するための新しいアプローチを提案する。
多様体の幾何学は一般に通常のユークリッド幾何学と異なる。
GPUMの応用は、スイスロール、WiFi信号の高次元実データセット、画像データ例のシミュレーション研究で説明されている。
論文 参考訳（メタデータ） (2023-01-16T17:42:40Z) - Deep Learning Symmetries and Their Lie Groups, Algebras, and Subalgebras
from First Principles [55.41644538483948]
ラベル付きデータセットに存在する連続した対称性群の検出と同定のためのディープラーニングアルゴリズムを設計する。
完全に接続されたニューラルネットワークを用いて、変換対称性と対応するジェネレータをモデル化する。
また,Lie群とその性質の数学的研究に機械学習アプローチを使うための扉を開く。
論文 参考訳（メタデータ） (2023-01-13T16:25:25Z) - Parametric information geometry with the package Geomstats [4.205692673448206]
我々はPythonパッケージGeomstatsの情報幾何学モジュールを紹介する。
この加群は、任意のパラメトリック分布の族に対するフィッシャー・ラオ・リーマン幾何学を与える。
重要なのは、確率分布に関する統計と機械学習の扉を開くことだ。
論文 参考訳（メタデータ） (2022-11-21T16:56:45Z) - DADApy: Distance-based Analysis of DAta-manifolds in Python [51.37841707191944]
DADApyは、高次元データの分析と特徴付けのためのピソンソフトウェアパッケージである。
固有次元と確率密度を推定し、密度に基づくクラスタリングを行い、異なる距離メトリクスを比較する方法を提供する。
論文 参考訳（メタデータ） (2022-05-04T08:41:59Z) - Geometry-aware Bayesian Optimization in Robotics using Riemannian
Mat\'ern Kernels [64.62221198500467]
ベイズ最適化のための幾何対応カーネルの実装方法を示す。
この技術は、ロボット工学における制御パラメータチューニング、パラメトリックポリシー適応、構造設計に利用できる。
論文 参考訳（メタデータ） (2021-11-02T09:47:22Z) - Scikit-dimension: a Python package for intrinsic dimension estimation [58.8599521537]
この技術ノートは、固有次元推定のためのオープンソースのPythonパッケージであるtextttscikit-dimensionを紹介している。
textttscikit-dimensionパッケージは、Scikit-learnアプリケーションプログラミングインターフェイスに基づいて、既知のID推定子のほとんどを均一に実装する。
パッケージを簡潔に記述し、実生活と合成データにおけるID推定手法の大規模(500以上のデータセット)ベンチマークでその使用を実証する。
論文 参考訳（メタデータ） (2021-09-06T16:46:38Z) - Bayesian Quadrature on Riemannian Data Manifolds [79.71142807798284]
データに固有の非線形幾何学構造をモデル化する原則的な方法が提供される。
しかし、これらの演算は通常計算的に要求される。
特に、正規法則上の積分を数値計算するためにベイズ二次(bq)に焦点を当てる。
先行知識と活発な探索手法を両立させることで,BQは必要な評価回数を大幅に削減できることを示す。
論文 参考訳（メタデータ） (2021-02-12T17:38:04Z) - Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer
Proxies [65.92826041406802]
本稿では,グラフ分類の観点から,プロキシベースのディープグラフメトリックラーニング手法を提案する。
複数のグローバルプロキシを利用して、各クラスの元のデータポイントを総括的に近似する。
本研究では, 近接関係を接地トラス・ラベルに従って調整する, 新たな逆ラベル伝搬アルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-10-26T14:52:42Z) - Tensor Relational Algebra for Machine Learning System Design [7.764107702934616]
本稿では、リレーショナルテンソル代数(TRA)と呼ばれる別の実装抽象化を提案する。
TRA は、リレーショナル代数に基づく集合基底代数である。
我々の実証研究は、最適化されたTRAベースのバックエンドが、分散クラスタでMLを実行する際の選択肢を大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2020-09-01T15:51:24Z)
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。