論文の概要: The JuliaConnectoR: a functionally oriented interface for integrating Julia in R

• arxiv url: http://arxiv.org/abs/2005.06334v2
• Date: Mon, 29 Mar 2021 19:14:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 12:58:29.008072
• Title: The JuliaConnectoR: a functionally oriented interface for integrating Julia in R
• Title（参考訳）: JuliaConnectoR: JuliaをRに統合するための関数指向インターフェース
• Authors: Stefan Lenz, Maren Hackenberg, Harald Binder
• Abstract要約: 我々は、CRANリポジトリとGitHubから入手可能なRパッケージJuliaConnectoRを開発した。 保守性と安定性のために、TCP上でRとJulia間の通信をベースとします。 これにより、JuliaでR拡張を開発するのや、RでJuliaパッケージから機能を単に呼び出すのが簡単になる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Like many groups considering the new programming language Julia, we faced the challenge of accessing the algorithms that we develop in Julia from R. Therefore, we developed the R package JuliaConnectoR, available from the CRAN repository and GitHub (https://github.com/stefan-m-lenz/JuliaConnectoR), in particular for making advanced deep learning tools available. For maintainability and stability, we decided to base communication between R and Julia on TCP, using an optimized binary format for exchanging data. Our package also specifically contains features that allow for a convenient interactive use in R. This makes it easy to develop R extensions with Julia or to simply call functionality from Julia packages in R. Interacting with Julia objects and calling Julia functions becomes user-friendly, as Julia functions and variables are made directly available as objects in the R workspace. We illustrate the further features of our package with code examples, and also discuss advantages over the two alternative packages JuliaCall and XRJulia. Finally, we demonstrate the usage of the package with a more extensive example for employing neural ordinary differential equations, a recent deep learning technique that has received much attention. This example also provides more general guidance for integrating deep learning techniques from Julia into R.
• Abstract（参考訳）: そこで私たちは、CRANリポジトリとGitHub(https://github.com/stefan-m-lenz/JuliaConnectoR)から利用可能なRパッケージのJuliaConnectoRを開発しました。 保守性と安定性のために、データを交換するための最適化されたバイナリフォーマットを用いて、TCP上でRとJulia間の通信をベースとすることを決定した。 我々のパッケージには、Rで便利なインタラクティブな使用を可能にする機能が含まれています。これにより、JuliaでR拡張を開発することや、RでJuliaパッケージから関数を呼び出すことが容易になります。Juliaオブジェクトと相互作用し、Julia関数を呼び出すことは、Rワークスペース内のオブジェクトとして直接利用できるようにするため、ユーザフレンドリになります。 コード例でパッケージのさらなる機能を説明し、JuliaCallとXRJuliaの2つの代替パッケージに対するアドバンテージについて議論する。 最後に,近年注目されている深層学習手法であるニューラル常微分方程式(neural ordinary differential equation)の採用例を用いて,パッケージの使用例を示す。 この例はまた、JuliaからRにディープラーニング技術を統合するためのより一般的なガイダンスを提供する。

関連論文リスト

• The State of Julia for Scientific Machine Learning [0.0]
  Juliaの機能とエコシステムを現代的に見て、言語の現状を評価し、その生存可能性と落とし穴について論じます。 私たちはコミュニティに、さらなる採用を妨げているJuliaの言語レベルの問題に対処するよう呼びかけています。
  論文  参考訳（メタデータ） (2024-10-14T01:43:23Z)
• LILO: Learning Interpretable Libraries by Compressing and Documenting Code [71.55208585024198]
  LILOは、反復的に合成、圧縮、文書化を行う、ニューロシンボリックなフレームワークである。 LILOは、LLM誘導プログラム合成と、Stitchから自動化された最近のアルゴリズムの進歩を組み合わせたものである。 LILOのシンセサイザーが学習した抽象化を解釈し、デプロイするのを手助けすることで、AutoDocがパフォーマンスを向上させることが分かりました。
  論文  参考訳（メタデータ） (2023-10-30T17:55:02Z)
• 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)
• Trieste: Efficiently Exploring The Depths of Black-box Functions with TensorFlow [50.691232400959656]
  Triesteは、ベイジアン最適化とアクティブラーニングのためのオープンソースのPythonパッケージである。 我々のライブラリは、シーケンシャルな意思決定ループ内で人気のあるモデルのプラグアンドプレイを可能にする。
  論文  参考訳（メタデータ） (2023-02-16T17:21:49Z)
• BosonSampling.jl: A Julia package for quantum multi-photon interferometry [0.0]
  本稿では,高速シミュレーションおよびボソンサンプリング器の数値解析のためのフリーオープンソースパッケージと,より一般的には多光子干渉法について述べる。 私たちのパッケージはJuliaで書かれており、簡単に表記できるCライクなパフォーマンスと高速でハイレベルなコーディングを実現しています。
  論文  参考訳（メタデータ） (2022-12-19T15:28:23Z)
• BAT.jl -- A Julia-based tool for Bayesian inference [0.0]
  ユリア語で書かれたベイズ統計推論のための多目的ソフトウェアBAT.jlの開発について述べる。 主要な設計上の考慮事項と実装されたアルゴリズムは、アルゴリズムの適切な機能を保証するテストスイートとともに、ここで要約される。
  論文  参考訳（メタデータ） (2020-08-07T12:55:52Z)
• MLJ: A Julia package for composable machine learning [0.8661220987937566]
  MLJは、Juliaやその他の言語で記述された機械学習モデルと対話するための、オープンソースのソフトウェアパッケージである。 モデルの選択、チューニング、評価、構成、比較のためのツールとメタアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2020-07-23T22:46:33Z)
• Picasso: A Sparse Learning Library for High Dimensional Data Analysis in R and Python [77.33905890197269]
  本稿では,様々なスパース学習問題に対して,経路座標を統一的に最適化する新しいライブラリについて述べる。 ライブラリはR++でコード化されており、ユーザフレンドリーなスパース実験を行っている。
  論文  参考訳（メタデータ） (2020-06-27T02:39:24Z)
• pyBART: Evidence-based Syntactic Transformations for IE [52.93947844555369]
  pyBARTは、英語のUD木を拡張UDグラフに変換するためのオープンソースのPythonライブラリである。 パターンに基づく関係抽出のシナリオで評価すると、より少ないパターンを必要としながら、より高精細なUDよりも高い抽出スコアが得られる。
  論文  参考訳（メタデータ） (2020-05-04T07:38:34Z)
• Julia Language in Machine Learning: Algorithms, Applications, and Open Issues [5.666843255747851]
  機械学習は、科学と工学の分野で開発を推進している。 現在、機械学習アルゴリズムの開発に最もよく使われているプログラミング言語は、PythonとC/C ++である。 本稿では,機械学習におけるJulia言語の適用に関する研究成果と開発状況を要約する。
  論文  参考訳（メタデータ） (2020-03-23T09:31:02Z)
• Torch-Struct: Deep Structured Prediction Library [138.5262350501951]
  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。
  論文  参考訳（メタデータ） (2020-02-03T16:43:02Z)

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。