論文の概要: A machine learning based software pipeline to pick the variable ordering
for algorithms with polynomial inputs
- arxiv url: http://arxiv.org/abs/2005.11251v1
- Date: Fri, 22 May 2020 16:00:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 09:51:06.442939
- Title: A machine learning based software pipeline to pick the variable ordering
for algorithms with polynomial inputs
- Title（参考訳）: 多項式入力を持つアルゴリズムの変数順序付けを選択する機械学習ベースのソフトウェアパイプライン
- Authors: Dorian Florescu and Matthew England
- Abstract要約: ソフトウェアの数学的正確性には影響しないが、その性能に影響を及ぼす選択について言及する。
過去に我々は、円筒代数分解(CAD)を構築する際に使用する変数順序付けを実験した。
- 参考スコア（独自算出の注目度）: 1.2891210250935146
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We are interested in the application of Machine Learning (ML) technology to
improve mathematical software. It may seem that the probabilistic nature of ML
tools would invalidate the exact results prized by such software, however, the
algorithms which underpin the software often come with a range of choices which
are good candidates for ML application. We refer to choices which have no
effect on the mathematical correctness of the software, but do impact its
performance.
In the past we experimented with one such choice: the variable ordering to
use when building a Cylindrical Algebraic Decomposition (CAD). We used the
Python library Scikit-Learn (sklearn) to experiment with different ML models,
and developed new techniques for feature generation and hyper-parameter
selection.
These techniques could easily be adapted for making decisions other than our
immediate application of CAD variable ordering. Hence in this paper we present
a software pipeline to use sklearn to pick the variable ordering for an
algorithm that acts on a polynomial system. The code described is freely
available online.
- Abstract（参考訳）: 我々は、数学的ソフトウェアを改善するために機械学習(ML)技術の応用に興味を持っている。
MLツールの確率的性質は、そのようなソフトウェアから得られる正確な結果を無効にするだろうが、ソフトウェアを支えるアルゴリズムには、MLアプリケーションに良い候補となる様々な選択肢が伴うことが多い。
ソフトウェアの数学的正確性には影響しないが、その性能に影響を及ぼす選択について言及する。
これまで我々は,Cylindrical Algebraic Decomposition (CAD)を構築する際に使用する変数順序付けという,そのような選択を試みてきた。
我々はPythonライブラリScikit-Learn(sklearn)を使って異なるMLモデルの実験を行い、特徴生成とハイパーパラメータ選択のための新しい技術を開発した。
これらの手法はCAD変数順序付けの即時適用以外の意思決定にも容易に適用できる。
そこで本論文では,sklearnを用いて多項式系に作用するアルゴリズムの変数順序を決定するソフトウェアパイプラインを提案する。
記述されたコードはオンラインで無料で利用できる。
関連論文リスト
- Differentiable Programming for Computational Plasma Physics [0.8702432681310401]
この論文は、微分可能プログラミングの計算プラズマ物理学への2つの応用を探求する。
まず,スタラレータ最適化を簡略化し,改良するために,微分可能プログラミングをどのように利用できるかを検討する。
第2に、偏微分方程式を解くために使用される数値法の改善や置き換えに機械学習をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2024-10-15T00:56:35Z) - Gradients of Functions of Large Matrices [18.361820028457718]
数値線形代数のワークホースを効率的に区別する方法を示す。
以前は知られていなかったLanczosとArnoldiのイテレーションのアジョイントシステムをJAXで実装し、結果として得られるコードがDiffraxと競合することを示す。
これらはすべて、問題固有のコードの最適化なしに実現されます。
論文 参考訳（メタデータ） (2024-05-27T15:39:45Z) - Lessons on Datasets and Paradigms in Machine Learning for Symbolic Computation: A Case Study on CAD [0.0]
本研究では,機械学習に先立ってデータセットを分析することの重要性について報告する。
本稿では, 筒状代数分解に対する変数順序付けの選択について, 特定のケーススタディに対する結果を示す。
我々は、データセットのバランスとさらなる拡張を可能にするシステムのための拡張技術を導入する。
論文 参考訳（メタデータ） (2024-01-24T10:12:43Z) - CoLA: Exploiting Compositional Structure for Automatic and Efficient
Numerical Linear Algebra [62.37017125812101]
機械学習における大規模線形代数問題に対して, CoLA という, 単純だが汎用的なフレームワークを提案する。
線形演算子抽象と合成ディスパッチルールを組み合わせることで、CoLAはメモリと実行時の効率的な数値アルゴリズムを自動的に構築する。
偏微分方程式,ガウス過程,同変モデル構築,教師なし学習など,幅広い応用で有効性を示す。
論文 参考訳（メタデータ） (2023-09-06T14:59:38Z) - Explainable AI Insights for Symbolic Computation: A case study on
selecting the variable ordering for cylindrical algebraic decomposition [0.0]
本稿では、このような機械学習モデルに説明可能なAI(XAI)技術を用いることで、記号計算に新たな洞察を与えることができるかどうかを考察する。
本稿では、円筒代数分解の変数順序付けをMLを用いて選択するケーススタディを提案する。
論文 参考訳（メタデータ） (2023-04-24T15:05:04Z) - Fault-Aware Neural Code Rankers [64.41888054066861]
サンプルプログラムの正しさを予測できる故障認識型ニューラルネットワークローダを提案する。
我々のフォールト・アウェア・ローダは、様々なコード生成モデルのpass@1精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2022-06-04T22:01:05Z) - OMLT: Optimization & Machine Learning Toolkit [54.58348769621782]
最適化と機械学習ツールキット(OMLT)は、ニューラルネットワークと勾配ブーストツリーサロゲートモデルを組み込んだオープンソースのソフトウェアパッケージである。
我々は、OMLTを可能とした最適化技術の進歩について論じ、OMLTが代数モデリング言語であるPyomoとシームレスに統合されていることを示す。
論文 参考訳（メタデータ） (2022-02-04T22:23:45Z) - Accelerating GMRES with Deep Learning in Real-Time [0.0]
GMRESの解決までの時間を短縮するために使用できるリアルタイム機械学習アルゴリズムを紹介します。
私たちのフレームワークは、ディープラーニングアルゴリズムをその場で統合する点で、斬新です。
論文 参考訳（メタデータ） (2021-03-19T18:21:38Z) - Sketching Transformed Matrices with Applications to Natural Language
Processing [76.6222695417524]
本稿では, 変換行列を用いて, 与えられた小さな行列の積を計算するための空間効率のよいスケッチアルゴリズムを提案する。
提案手法は誤差が小さく,空間と時間の両方で効率がよいことを示す。
論文 参考訳（メタデータ） (2020-02-23T03:07:31Z) - Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。
アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。
ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
論文 参考訳（メタデータ） (2020-02-20T10:50:58Z) - Multi-layer Optimizations for End-to-End Data Analytics [71.05611866288196]
代替アプローチを実現するフレームワークであるIFAQ(Iterative Functional Aggregate Queries)を紹介する。
IFAQは、特徴抽出クエリと学習タスクを、IFAQのドメイン固有言語で与えられた1つのプログラムとして扱う。
IFAQ の Scala 実装が mlpack,Scikit,特殊化を数桁で上回り,線形回帰木モデルや回帰木モデルを複数の関係データセット上で処理可能であることを示す。
論文 参考訳（メタデータ） (2020-01-10T16:14:44Z)
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。