論文の概要: PyKale: Knowledge-Aware Machine Learning from Multiple Sources in Python

• arxiv url: http://arxiv.org/abs/2106.09756v1
• Date: Thu, 17 Jun 2021 18:35:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-21 14:27:21.910550
• Title: PyKale: Knowledge-Aware Machine Learning from Multiple Sources in Python
• Title（参考訳）: pykale:pythonの複数のソースからナレッジアウェアな機械学習
• Authors: Haiping Lu, Xianyuan Liu, Robert Turner, Peizhen Bai, Raivo E Koot, Shuo Zhou, Mustafa Chasmai, Lawrence Schobs
• Abstract要約: Pykaleは、グラフ、画像、テキスト、ビデオに関する知識を意識した機械学習のためのPythonライブラリである。 我々は、標準的なソフトウェアエンジニアリングプラクティスに基づいて、新しいグリーン機械学習ガイドラインを定式化する。 私たちはPyTorch上にPyKaleを構築し、リッチなPyTorchエコシステムを活用しています。
• 参考スコア（独自算出の注目度）: 6.276936701568444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning is a general-purpose technology holding promises for many interdisciplinary research problems. However, significant barriers exist in crossing disciplinary boundaries when most machine learning tools are developed in different areas separately. We present Pykale - a Python library for knowledge-aware machine learning on graphs, images, texts, and videos to enable and accelerate interdisciplinary research. We formulate new green machine learning guidelines based on standard software engineering practices and propose a novel pipeline-based application programming interface (API). PyKale focuses on leveraging knowledge from multiple sources for accurate and interpretable prediction, thus supporting multimodal learning and transfer learning (particularly domain adaptation) with latest deep learning and dimensionality reduction models. We build PyKale on PyTorch and leverage the rich PyTorch ecosystem. Our pipeline-based API design enforces standardization and minimalism, embracing green machine learning concepts via reducing repetitions and redundancy, reusing existing resources, and recycling learning models across areas. We demonstrate its interdisciplinary nature via examples in bioinformatics, knowledge graph, image/video recognition, and medical imaging.
• Abstract（参考訳）: 機械学習は、多くの学際的な研究問題を約束する汎用技術である。 しかし、多くの機械学習ツールが別々の領域で別々に開発される場合、学際的な境界を越える際の大きな障壁が存在する。 我々は,グラフ,画像,テキスト,ビデオ上で知識を意識した機械学習を行うpythonライブラリpykaleを提案する。 標準的なソフトウェアエンジニアリングプラクティスに基づいた新しいグリーン機械学習ガイドラインを定式化し、新しいパイプラインベースのアプリケーションプログラミングインタフェース(api)を提案する。 PyKaleは、正確かつ解釈可能な予測のために複数の情報源からの知識を活用することに重点を置いており、最新の深層学習と次元減少モデルでマルチモーダル学習と伝達学習(特にドメイン適応)をサポートする。 PyTorch上にPyKaleを構築し、リッチなPyTorchエコシステムを活用しています。 当社のパイプラインベースのapi設計では、標準化と最小化、反復と冗長性の低減、既存のリソースの再利用、各領域での学習モデルの再利用などを通じて、グリーンマシンラーニングの概念を取り入れています。 バイオインフォマティクス,ナレッジグラフ,画像・映像認識,医用画像の例を通して,その学際的性質を実証する。

関連論文リスト

• A Comprehensive Guide to Combining R and Python code for Data Science, Machine Learning and Reinforcement Learning [42.350737545269105]
  機械学習、ディープラーニング、強化学習プロジェクトを構築するために、PythonのScikit-learn、pytorch、OpenAIのジムライブラリを簡単に実行する方法を示します。
  論文  参考訳（メタデータ） (2024-07-19T23:01:48Z)
• DeepOnto: A Python Package for Ontology Engineering with Deep Learning [21.459646169565602]
  ディープラーニングを用いたエンジニアリング用に設計されたPythonパッケージであるDeepOntoを提示する。 DeepOntoは、さまざまなエンジニアリングタスクをサポートする一連のツール、機能、アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-07-06T15:35:02Z)
• OmniXAI: A Library for Explainable AI [98.07381528393245]
  eXplainable AI(XAI)のオープンソースPythonライブラリであるOmniXAIを紹介する。 オールニウェイで説明可能なAI機能と、さまざまな解釈可能な機械学習技術を提供する。 実践者にとってこのライブラリは、アプリケーションの説明を生成するために、使いやすく統合されたインターフェースを提供する。
  論文  参考訳（メタデータ） (2022-06-01T11:35:37Z)
• Flashlight: Enabling Innovation in Tools for Machine Learning [50.63188263773778]
  私たちは、機械学習ツールやシステムの革新を促進するために構築されたオープンソースのライブラリであるFlashlightを紹介します。 Flashlightは、広く使われているライブラリを下流で活用し、機械学習とシステム研究者をより緊密に連携させる研究を可能にするツールだと考えています。
  論文  参考訳（メタデータ） (2022-01-29T01:03:29Z)
• Automated Graph Machine Learning: Approaches, Libraries, Benchmarks and Directions [58.220137936626315]
  本稿では,グラフ機械学習の自動手法について論じる。 当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。 また、統一的で再現性があり、効率的な評価をサポートする調整されたベンチマークについて述べる。
  論文  参考訳（メタデータ） (2022-01-04T18:31:31Z)
• Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
  機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。 ディープラーニングは、独自の機械学習のサブフィールドになっている。 生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
  論文  参考訳（メタデータ） (2021-05-29T21:02:44Z)
• Automated Source Code Generation and Auto-completion Using Deep Learning: Comparing and Discussing Current Language-Model-Related Approaches [0.0]
  本稿では、異なるディープラーニングアーキテクチャを比較して、プログラミングコードに基づく言語モデルを作成し、使用する。 それぞれのアプローチのさまざまな長所と短所と、言語モデルを評価したり、実際のプログラミングコンテキストでそれらを適用するためのギャップについて論じる。
  論文  参考訳（メタデータ） (2020-09-16T15:17:04Z)
• Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
  ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。 ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。 本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
  論文  参考訳（メタデータ） (2020-05-27T11:56:56Z)
• Machine Learning in Python: Main developments and technology trends in data science, machine learning, and artificial intelligence [3.1314898234563295]
  Pythonは科学計算、データサイエンス、機械学習において最も好まれる言語である。 この調査は、Pythonによる機械学習の分野に関する洞察を提供し、重要なトピックをツアーして、それを可能にしたコアハードウェアとソフトウェアパラダイムのいくつかを特定します。
  論文  参考訳（メタデータ） (2020-02-12T05:20:59Z)
• A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
  現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。 本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
  論文  参考訳（メタデータ） (2020-01-05T11:33:31Z)

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。