論文の概要: L0Learn: A Scalable Package for Sparse Learning using L0 Regularization
- arxiv url: http://arxiv.org/abs/2202.04820v1
- Date: Thu, 10 Feb 2022 03:51:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-11 15:15:37.050603
- Title: L0Learn: A Scalable Package for Sparse Learning using L0 Regularization
- Title(参考訳): L0Learn: L0正規化を用いたスパース学習用スケーラブルパッケージ
- Authors: Hussein Hazimeh, Rahul Mazumder, Tim Nonet
- Abstract要約: L0Learnはスパース回帰と分類のためのオープンソースパッケージである。
座標降下と局所最適化に基づくスケーラブルで近似的なアルゴリズムを実装している。
- 参考スコア(独自算出の注目度): 6.037383467521294
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce L0Learn: an open-source package for sparse regression and
classification using L0 regularization. L0Learn implements scalable,
approximate algorithms, based on coordinate descent and local combinatorial
optimization. The package is built using C++ and has a user-friendly R
interface. Our experiments indicate that L0Learn can scale to problems with
millions of features, achieving competitive run times with state-of-the-art
sparse learning packages. L0Learn is available on both CRAN and GitHub.
- Abstract(参考訳): L0正規化を用いたスパース回帰と分類のためのオープンソースパッケージであるL0Learnを紹介する。
l0learnは座標降下と局所組合せ最適化に基づくスケーラブルな近似アルゴリズムを実装している。
パッケージはC++を使って構築されており、ユーザフレンドリーなRインターフェースを備えている。
実験の結果、L0Learnは何百万もの機能で問題にスケールでき、最先端のスパース学習パッケージと競合する実行時間を達成できることがわかった。
L0LearnはCRANとGitHubの両方で利用できる。
関連論文リスト
- BackboneLearn: A Library for Scaling Mixed-Integer Optimization-Based
Machine Learning [0.0]
BackboneLearnは、インジケータ変数による混合整数最適化問題を高次元問題に拡張するためのフレームワークである。
BackboneLearnはPythonで構築されており、ユーザフレンドリで簡単に実装できる。
BackboneLearnのソースコードはGitHubで入手できる。
論文 参考訳(メタデータ) (2023-11-22T21:07:45Z) - LCE: An Augmented Combination of Bagging and Boosting in Python [45.65284933207566]
lcensembleはハイパフォーマンスでスケーラブルでユーザフレンドリなPythonパッケージで、分類と回帰の一般的なタスクのためのものだ。
Local Cascade Ensemble (LCE)は、現在の最先端手法であるRandom ForestとXGBoostの予測性能をさらに向上する機械学習手法である。
論文 参考訳(メタデータ) (2023-08-14T16:34:47Z) - Efficiently Learning One-Hidden-Layer ReLU Networks via Schur
Polynomials [50.90125395570797]
正方形損失に関して、標準的なガウス分布の下での$k$ReLU活性化の線形結合をPAC学習する問題をmathbbRd$で検討する。
本研究の主な成果は,この学習課題に対して,サンプルおよび計算複雑性が$(dk/epsilon)O(k)$で,epsilon>0$が目標精度である。
論文 参考訳(メタデータ) (2023-07-24T14:37:22Z) - Improved techniques for deterministic l2 robustness [63.34032156196848]
畳み込みニューラルネットワーク(CNN)を$l_2$ノルムの下で厳密な1-Lipschitz制約で訓練することは、対向的堅牢性、解釈可能な勾配、安定した訓練に有用である。
我々は,最後の線形層を1重層に置き換えることで,1-Lipschitz CNNのロバスト性を証明する手法を提案する。
我々は,CIFAR-10およびCIFAR-100における標準および証明可能な堅牢な精度の最先端化を図る。
論文 参考訳(メタデータ) (2022-11-15T19:10:12Z) - DADApy: Distance-based Analysis of DAta-manifolds in Python [51.37841707191944]
DADApyは、高次元データの分析と特徴付けのためのピソンソフトウェアパッケージである。
固有次元と確率密度を推定し、密度に基づくクラスタリングを行い、異なる距離メトリクスを比較する方法を提供する。
論文 参考訳(メタデータ) (2022-05-04T08:41:59Z) - IMBENS: Ensemble Class-imbalanced Learning in Python [26.007498723608155]
imbensはオープンソースのPythonツールボックスで、クラス不均衡なデータに対してアンサンブル学習アルゴリズムを実装し、デプロイする。
imbensはMITオープンソースライセンスでリリースされており、Python Package Index (PyPI)からインストールすることができる。
論文 参考訳(メタデータ) (2021-11-24T20:14:20Z) - Solo-learn: A Library of Self-supervised Methods for Visual
Representation Learning [83.02597612195966]
solo-learnは視覚表現学習のための自己指導型のメソッドのライブラリである。
Pythonで実装され、PytorchとPytorch Lightningを使用して、このライブラリは研究と業界のニーズの両方に適合する。
論文 参考訳(メタデータ) (2021-08-03T22:19:55Z) - Picasso: A Sparse Learning Library for High Dimensional Data Analysis in
R and Python [77.33905890197269]
本稿では,様々なスパース学習問題に対して,経路座標を統一的に最適化する新しいライブラリについて述べる。
ライブラリはR++でコード化されており、ユーザフレンドリーなスパース実験を行っている。
論文 参考訳(メタデータ) (2020-06-27T02:39:24Z)
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。