論文の概要: PyTorch Tabular: A Framework for Deep Learning with Tabular Data

• arxiv url: http://arxiv.org/abs/2104.13638v1
• Date: Wed, 28 Apr 2021 08:50:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-29 18:41:40.622242
• Title: PyTorch Tabular: A Framework for Deep Learning with Tabular Data
• Title（参考訳）: pytorch tabular: 表データを用いたディープラーニングフレームワーク
• Authors: Manu Joseph
• Abstract要約: PyTorch Tabularは、PyTorchとPyTorch Lightning上に構築された新しいディープラーニングライブラリである。 pandasデータフレームで直接動作する。 NODEやTabNetのような多くのSOTAモデルは、すでに統合されたAPIでライブラリに統合され実装されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In spite of showing unreasonable effectiveness in modalities like Text and Image, Deep Learning has always lagged Gradient Boosting in tabular data - both in popularity and performance. But recently there have been newer models created specifically for tabular data, which is pushing the performance bar. But popularity is still a challenge because there is no easy, ready-to-use library like Sci-Kit Learn for deep learning. PyTorch Tabular is a new deep learning library which makes working with Deep Learning and tabular data easy and fast. It is a library built on top of PyTorch and PyTorch Lightning and works on pandas dataframes directly. Many SOTA models like NODE and TabNet are already integrated and implemented in the library with a unified API. PyTorch Tabular is designed to be easily extensible for researchers, simple for practitioners, and robust in industrial deployments.
• Abstract（参考訳）: テキストや画像のようなモダリティにおいて不合理な効果を示すにもかかわらず、Deep Learningは常にグラフデータのグラディエントブースティング(Gradient Boosting)に人気とパフォーマンスの両面でタグ付けしてきた。 しかし最近、表データ専用に作られた新しいモデルがあり、パフォーマンスバーを押している。 しかし、sci-kitのような簡単に使えるライブラリがディープラーニングのために学習できないため、人気は依然として課題である。 PyTorch Tabularは、Deep Learningと表データを簡単に高速に扱える新しいディープラーニングライブラリである。 PyTorchとPyTorch Lightningの上に構築されたライブラリで、パンダのデータフレームを直接処理する。 NODEやTabNetのような多くのSOTAモデルは、すでに統合されたAPIでライブラリに統合され実装されている。 pytorch tabularは、研究者にとって容易に拡張可能で、実践者にとってシンプルで、産業展開において堅牢であるように設計されている。

関連論文リスト

• PyTorch Frame: A Modular Framework for Multi-Modal Tabular Learning [54.912520425218496]
  PyTorch Frame は PyTorch をベースとした多モード表データの深層学習フレームワークである。 モジュラー方式で多種多様なモデルを実装することにより,PyTorch Frameの有用性を示す。 我々は、グラフニューラルネットワーク(GNN)のためのPyTorchライブラリであるPyTorch GeometricとPyTorch Frameを統合し、関係データベース上でエンドツーエンドの学習を行う。
  論文  参考訳（メタデータ） (2024-03-31T19:15:09Z)
• Causal-learn: Causal Discovery in Python [53.17423883919072]
  因果発見は、観測データから因果関係を明らかにすることを目的としている。 $textitcausal-learn$は因果発見のためのオープンソースのPythonライブラリである。
  論文  参考訳（メタデータ） (2023-07-31T05:00:35Z)
• 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)
• 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)
• PyGOD: A Python Library for Graph Outlier Detection [56.33769221859135]
  PyGODは、グラフデータの外れ値を検出するオープンソースライブラリである。 外れ値検出のための主要なグラフベースのメソッドを幅広くサポートしています。 PyGODはBSD 2-Clauseライセンスの下でhttps://pygod.orgとPython Package Index (PyPI)でリリースされている。
  論文  参考訳（メタデータ） (2022-04-26T06:15:21Z)
• DANets: Deep Abstract Networks for Tabular Data Classification and Regression [9.295859461145783]
  Abstract Layer (AbstLay)は、相関的な入力機能を明示的にグループ化し、セマンティクスの抽象化のための高レベルな機能を生成する。 表形式のデータ分類と回帰のためのDeep Abstract Networks (DANets) のファミリー。
  論文  参考訳（メタデータ） (2021-12-06T12:15:28Z)
• PyTorchVideo: A Deep Learning Library for Video Understanding [71.89124881732015]
  PyTorchVideoは、ビデオ理解タスクのためのオープンソースのディープラーニングライブラリである。 マルチモーダルデータローディング、変換、モデルを含む、ビデオ理解ツールのフルスタックをカバーする。 ライブラリはPyTorchをベースにしており、任意のトレーニングフレームワークで使用することができる。
  論文  参考訳（メタデータ） (2021-11-18T18:59:58Z)
• Small-Text: Active Learning for Text Classification in Python [23.87081733039124]
  small-textはPython用の使いやすいアクティブラーニングライブラリである。 シングルラベルとマルチラベルのテキスト分類のためのプールベースのアクティブラーニングを提供する。
  論文  参考訳（メタデータ） (2021-07-21T19:23:56Z)
• ktrain: A Low-Code Library for Augmented Machine Learning [0.0]
  ktrainはローコードPythonライブラリで、機械学習をよりアクセスしやすく、適用しやすくする。 初心者と経験豊富な実践者の両方が構築し、トレーニングし、検査し、適用するための、洗練された最先端の機械学習モデルを簡単にするように設計されている。
  論文  参考訳（メタデータ） (2020-04-19T14:18:20Z)
• fastai: A Layered API for Deep Learning [1.7223564681760164]
  fastaiは、実践者に高度なコンポーネントを提供するディープラーニングライブラリである。 これは研究者に、新しいアプローチを構築するために混在し、マッチできる低レベルのコンポーネントを提供する。
  論文  参考訳（メタデータ） (2020-02-11T21:16:48Z)

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。