論文の概要: Ecole: A Gym-like Library for Machine Learning in Combinatorial Optimization Solvers

• arxiv url: http://arxiv.org/abs/2011.06069v2
• Date: Tue, 24 Nov 2020 21:06:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 01:10:38.517906
• Title: Ecole: A Gym-like Library for Machine Learning in Combinatorial Optimization Solvers
• Title（参考訳）: Ecole: Y Combinatorial Optimization Solversにおける機械学習のためのGymライクなライブラリ
• Authors: Antoine Prouvost, Justin Dumouchelle, Lara Scavuzzo, Maxime Gasse, Didier Ch\'etelat, Andrea Lodi
• Abstract要約: Ecoleは、最適化のための機械学習研究を簡単にするための新しいライブラリである。 Ecoleは、Markov決定プロセスの制御問題として、汎用最適化ソルバで生じるいくつかの重要な決定タスクを公開している。 私たちはこのライブラリを標準化されたプラットフォームにし、参入の限界を低くし、この分野のイノベーションを加速することを目指しています。
• 参考スコア（独自算出の注目度）: 5.532198590851521
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Ecole, a new library to simplify machine learning research for combinatorial optimization. Ecole exposes several key decision tasks arising in general-purpose combinatorial optimization solvers as control problems over Markov decision processes. Its interface mimics the popular OpenAI Gym library and is both extensible and intuitive to use. We aim at making this library a standardized platform that will lower the bar of entry and accelerate innovation in the field. Documentation and code can be found at https://www.ecole.ai.
• Abstract（参考訳）: 組合せ最適化のための機械学習研究を簡単にするための新しいライブラリであるEcoleを紹介する。 Ecoleは、マルコフ決定プロセスの制御問題として、汎用的な組合せ最適化解法で生じるいくつかの重要な決定タスクを公開している。 インターフェースは人気のあるOpenAI Gymライブラリを模倣しており、拡張可能で直感的に使える。 私たちはこのライブラリを、参入のバーを低くし、この分野のイノベーションを加速する標準化されたプラットフォームにすることを目指している。 ドキュメンテーションとコードはhttps://www.ecole.ai.comで見ることができる。

関連論文リスト

• YAMLE: Yet Another Machine Learning Environment [4.985768723667417]
  YAMLEはオープンソースのフレームワークで、機械学習(ML)モデルとメソッドによる迅速なプロトタイピングと実験を容易にする。 YAMLEにはコマンドラインインターフェースと、人気があり保守状態の良いPyTorchベースのライブラリとの統合が含まれている。 YAMLEの目標は、研究者や実践者が既存の実装を素早く構築し比較できる共有エコシステムに成長することだ。
  論文  参考訳（メタデータ） (2024-02-09T09:34:36Z)
• 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)
• CodeTF: One-stop Transformer Library for State-of-the-art Code LLM [72.1638273937025]
  我々は、最先端のCode LLMとコードインテリジェンスのためのオープンソースのTransformerベースのライブラリであるCodeTFを紹介する。 我々のライブラリは、事前訓練されたコードLLMモデルと人気のあるコードベンチマークのコレクションをサポートします。 CodeTFが機械学習/生成AIとソフトウェア工学のギャップを埋められることを願っている。
  論文  参考訳（メタデータ） (2023-05-31T05:24:48Z)
• SequeL: A Continual Learning Library in PyTorch and JAX [50.33956216274694]
  SequeLは継続学習のためのライブラリで、PyTorchとJAXフレームワークの両方をサポートする。 それは、正規化ベースのアプローチ、リプレイベースのアプローチ、ハイブリッドアプローチを含む、幅広い連続学習アルゴリズムのための統一インターフェースを提供する。 私たちはSequeLをオープンソースライブラリとしてリリースし、研究者や開発者が自身の目的で簡単にライブラリを実験し拡張することができます。
  論文  参考訳（メタデータ） (2023-04-21T10:00:22Z)
• Yggdrasil Decision Forests: A Fast and Extensible Decision Forests Library [2.45129318838789]
  イグドラジル森林(Yggdrasil Decision Forests)は、決定的森林モデルの訓練、提供、解釈のための図書館である。 C++、Python、JavaScript、Go、Google Sheetsで実装されている。
  論文  参考訳（メタデータ） (2022-12-06T12:44:27Z)
• MARLlib: A Scalable and Efficient Multi-agent Reinforcement Learning Library [82.77446613763809]
  本稿では,マルチエージェントタスクとアルゴリズムの組み合わせを高速に開発するためのライブラリであるMARLlibを紹介する。 MARLlibは、マルチエージェントタスクとアルゴリズムの学習過程を効果的に切り離すことができる。 ライブラリのソースコードはGitHubで公開されている。
  論文  参考訳（メタデータ） (2022-10-11T03:11:12Z)
• The Machine Learning for Combinatorial Optimization Competition (ML4CO): Results and Insights [59.93939636422896]
  ML4COは、キーコンポーネントを置き換えることで最先端の最適化問題を解決することを目的としている。 このコンペティションでは、最高の実現可能なソリューションを見つけること、最も厳密な最適性証明書を生成すること、適切なルーティング設定を提供すること、という3つの課題があった。
  論文  参考訳（メタデータ） (2022-03-04T17:06:00Z)
• skrl: Modular and Flexible Library for Reinforcement Learning [0.0]
  skrlはPythonで書かれた強化学習のためのオープンソースのモジュールライブラリである。 NVIDIA Isaac Gym環境のロード、設定、操作を可能にする。
  論文  参考訳（メタデータ） (2022-02-08T12:43:31Z)
• Ecole: A Library for Learning Inside MILP Solvers [4.479834103607383]
  ecoleは最適化ソルバにおける機械学習の統合を容易にするライブラリである。 これはマルコフ決定プロセスとして解決するプロセスで実行されなければならないシーケンシャルな意思決定を公開する。
  論文  参考訳（メタデータ） (2021-04-06T23:36:16Z)
• End-to-End Constrained Optimization Learning: A Survey [69.22203885491534]
  機械学習アーキテクチャとソルバと最適化手法を統合する作業の調査に焦点を当てている。 これらのアプローチは、問題に対する迅速、近似、構造的、解決策を予測し、論理的推論を可能にする新しいハイブリッド機械学習と最適化手法を開発することを約束します。
  論文  参考訳（メタデータ） (2021-03-30T14:19:30Z)

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。