論文の概要: Supervised learning with artificial hydrocarbon networks: an open source
implementation and its applications
- arxiv url: http://arxiv.org/abs/2005.10348v1
- Date: Wed, 20 May 2020 20:40:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 05:05:42.852249
- Title: Supervised learning with artificial hydrocarbon networks: an open source
implementation and its applications
- Title（参考訳）: 人工炭化水素ネットワークを用いた教師付き学習 : オープンソース実装とその応用
- Authors: Jose Roberto Ayala-Solares, Hiram Ponce
- Abstract要約: 人工炭化水素ネットワーク(AHN)は、有機化合物の構造と内部化学機構にインスパイアされた、新しい教師付き学習手法である。
このパッケージは、機械学習とデータモデリングに関心のある科学者や応用研究者にとって非常に役立つことを意図している。
- 参考スコア（独自算出の注目度）: 0.9746724603067648
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial hydrocarbon networks (AHN) is a novel supervised learning method
inspired on the structure and the inner chemical mechanisms of organic
compounds. As any other cutting-edge algorithm, there are two challenges to be
faced: time-consuming for encoding and complications to connect with other
technologies. Large and open source platforms have proved to be an alternative
solution to the latter challenges. In that sense, this paper aims to introduce
the ahnr package for R that implements AHN. It provides several functions to
create, train, test and visualize AHN. It also includes conventional functions
to easily interact with the trained models. For illustration purposes, it
presents several examples about the applications of AHN in engineering, as well
as, the way to use it. This package is intended to be very useful for
scientists and applied researchers interested in machine learning and data
modeling. Package availability is in the Comprehensive R Archive Network.
- Abstract（参考訳）: 人工炭化水素ネットワーク(AHN)は、有機化合物の構造と内部化学機構に触発された新しい教師付き学習手法である。
他の最先端アルゴリズムと同様に、エンコーディングの時間消費と、他の技術と接続するための複雑化という2つの課題に直面している。
大規模でオープンソースなプラットフォームは、後者の課題に対する代替ソリューションであることが証明されている。
そこで本研究では, AHN を実装した R 用 Ahnr パッケージを提案する。
AHNを作成し、トレーニングし、テストし、視覚化するいくつかの機能を提供する。
また、訓練されたモデルと容易に相互作用する従来の機能も含まれている。
イラストの目的で、工学における ahn の応用に関するいくつかの例と、それを使用する方法を示す。
このパッケージは、機械学習とデータモデリングに関心を持つ科学者や応用研究者にとって非常に有用である。
パッケージの可用性はComprehensive R Archive Networkにある。
関連論文リスト
- Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - OTOv3: Automatic Architecture-Agnostic Neural Network Training and
Compression from Structured Pruning to Erasing Operators [57.145175475579315]
このトピックは、構造化プルーニングからニューラルアーキテクチャサーチまで、さまざまなテクニックにまたがっている。
第3世代のOTOv3(Noth-Train-Once)を導入する。
我々は,構造化プルーニングとニューラルアーキテクチャ探索におけるOTOv3の有効性を実証した。
論文 参考訳（メタデータ） (2023-12-15T00:22:55Z) - RGCVAE: Relational Graph Conditioned Variational Autoencoder for
Molecule Design [70.59828655929194]
ディープグラフ変分自動エンコーダは、この問題に対処可能な、最も強力な機械学習ツールの1つである。
i)新しい強力なグラフ同型ネットワークを利用した符号化ネットワーク,(ii)新しい確率的復号化コンポーネントを提案する。
論文 参考訳（メタデータ） (2023-05-19T14:23:48Z) - NeuralUQ: A comprehensive library for uncertainty quantification in
neural differential equations and operators [0.0]
機械学習における不確実性定量化(UQ)は、現在、研究の関心が高まっている。
我々は,SciMLのUQメソッドを便利かつ構造化した方法で使用するために,NeuralUQと呼ばれるオープンソースのPythonライブラリを提案する。
論文 参考訳（メタデータ） (2022-08-25T04:28:18Z) - Deep Learning Architecture for Automatic Essay Scoring [0.0]
本稿では、リカレントネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)に基づく新しいアーキテクチャを提案する。
提案アーキテクチャでは, 単語埋め込みベクトルから, 単語n-gramの文脈的特徴を学習し, 捉える。
提案方式は,他の深層学習に基づくAESシステムよりも格付け精度が高い。
論文 参考訳（メタデータ） (2022-06-16T14:56:24Z) - On-board Volcanic Eruption Detection through CNNs and Satellite
Multispectral Imagery [59.442493247857755]
著者らは、最初のプロトタイプと、AIモデルが“ロード”される可能性の研究を提案している。
ケーススタディでは,早期に警報を発生させる方法として,火山噴火の検出について検討することにした。
2つの畳み込みニューラルネットワークが提案され、作成され、実際のハードウェア上でそれらを正しく実装する方法も示されている。
論文 参考訳（メタデータ） (2021-06-29T11:52:43Z) - Artificial Intelligence in Drug Discovery: Applications and Techniques [33.59138543942538]
仮想スクリーニングやドラッグデザインなど、さまざまなAI技術が幅広い用途で使用されている。
まず、薬物発見の概要を説明し、関連するアプリケーションについて議論し、2つの主要なタスクに還元することができる。
次に、一般的なデータリソース、分子表現、ベンチマークプラットフォームについて議論する。
論文 参考訳（メタデータ） (2021-06-09T20:46:44Z) - CATCH: Context-based Meta Reinforcement Learning for Transferrable
Architecture Search [102.67142711824748]
CATCHは、転送可能なarChitecture searcHのための、Context-bAsed meTa強化学習アルゴリズムである。
メタラーニングとRLの組み合わせにより、CATCHは検索空間に依存しないまま、新しいタスクに効率的に適応できる。
また、ImageNet、COCO、Cityscapesの競合ネットワークとしてクロスドメインアーキテクチャサーチを扱うこともできる。
論文 参考訳（メタデータ） (2020-07-18T09:35:53Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z) - PHOTONAI -- A Python API for Rapid Machine Learning Model Development [2.414341608751139]
PHOTONAIは、機械学習モデル開発の簡素化と高速化を目的とした、ハイレベルなPython APIである。
これは統一フレームワークとして機能し、ユーザーは異なるツールボックスからのアルゴリズムをカスタムのアルゴリズムシーケンスに簡単にアクセスし、組み合わせることができる。
論文 参考訳（メタデータ） (2020-02-13T10:33:05Z) - Neuroevolution of Neural Network Architectures Using CoDeepNEAT and
Keras [0.0]
機械学習プロジェクトに関わる作業の大部分は、与えられた問題を解決するのに最適なタイプのアルゴリズムを定義することである。
与えられた問題に対する最適なネットワークトポロジと設定を見つけることは、ドメインの知識とテストの努力を必要とする課題です。
論文 参考訳（メタデータ） (2020-02-11T19:03:34Z)
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。