Fugu-MT 論文翻訳(概要): Xplique: A Deep Learning Explainability Toolbox

論文の概要: Xplique: A Deep Learning Explainability Toolbox

arxiv url: http://arxiv.org/abs/2206.04394v1
Date: Thu, 9 Jun 2022 10:16:07 GMT
ステータス: 処理完了
システム内更新日: 2022-06-10 22:11:53.213543
Title: Xplique: A Deep Learning Explainability Toolbox
Title（参考訳）: xplique:深層学習説明ツールボックス
Authors: Thomas Fel, Lucas Hervier, David Vigouroux, Antonin Poche, Justin Plakoo, Remi Cadene, Mathieu Chalvidal, Julien Colin, Thibaut Boissin, Louis Bethune, Agustin Picard, Claire Nicodeme, Laurent Gardes, Gregory Flandin, Thomas Serre
Abstract要約: 我々は、説明可能性のためのソフトウェアライブラリXpliqueを開発した。代表的な説明可能性手法と関連する評価指標を含んでいる。コードはMITライセンスでライセンスされており、無料で利用できる。
参考スコア（独自算出の注目度）: 5.067377019157635
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Today's most advanced machine-learning models are hardly scrutable. The key challenge for explainability methods is to help assisting researchers in opening up these black boxes, by revealing the strategy that led to a given decision, by characterizing their internal states or by studying the underlying data representation. To address this challenge, we have developed Xplique: a software library for explainability which includes representative explainability methods as well as associated evaluation metrics. It interfaces with one of the most popular learning libraries: Tensorflow as well as other libraries including PyTorch, scikit-learn and Theano. The code is licensed under the MIT license and is freely available at github.com/deel-ai/xplique.
Abstract（参考訳）: 今日の最先端の機械学習モデルはほとんど見過ごせない。説明可能性法の主要な課題は、研究者がこれらのブラックボックスを開くのを助けることであり、決定に至る戦略を明らかにすること、内部状態を特徴づけること、または基礎となるデータ表現を研究することである。この課題に対処するため、私たちはXpliqueを開発した。Xpliqueは説明可能性のためのソフトウェアライブラリで、代表的説明可能性メソッドと関連する評価指標を含む。 TensorflowやPyTorch、Scikit-learn、Theanoなど、最も人気のある学習ライブラリとインターフェースする。コードはMITライセンスでライセンスされており、github.com/deel-ai/xpliqueで無料で利用できる。

関連論文リスト

ir_explain: a Python Library of Explainable IR Methods [2.6746131626710725]
irexplainは、共通のフレームワーク内でExplainable IR(ExIR)の様々なテクニックを実装するPythonライブラリである。 irexplainは、ポストホックな説明の標準的な3つのカテゴリ、すなわちポイントワイド、ペアワイド、リストワイドの説明をサポートします。このライブラリは、標準的なテストコレクションで最先端のExIRベースラインを簡単に再現できるように設計されている。
論文参考訳（メタデータ） (2024-04-29T09:37:24Z)
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)
hyperbox-brain: A Toolbox for Hyperbox-based Machine Learning Algorithms [9.061408029414455]
Hyperbox-brainはオープンソースのPythonライブラリで、主要なハイパーボックスベースの機械学習アルゴリズムを実装している。 Hyperbox-brainは、よく知られたScikit-learnおよびnumpyツールボックスと互換性のある統一APIを公開する。
論文参考訳（メタデータ） (2022-10-06T06:40:07Z)
What and How of Machine Learning Transparency: Building Bespoke Explainability Tools with Interoperable Algorithmic Components [77.87794937143511]
本稿では,データ駆動予測モデルを説明するためのハンズオントレーニング教材について紹介する。これらのリソースは、解釈可能な表現合成、データサンプリング、説明生成の3つのコアビルディングブロックをカバーする。
論文参考訳（メタデータ） (2022-09-08T13:33:25Z)
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)
Winning solutions and post-challenge analyses of the ChaLearn AutoDL challenge 2019 [112.36155380260655]
本稿では,ChaLearnのAutoDLチャレンジシリーズの結果と今後の課題について述べる。その結果,一般的なニューラルネットワーク探索(NAS)は実用的ではなかったものの,DL手法が支配的であったことが示唆された。メタラーナー"、"データインジェクタ"、"モデルセレクタ"、"モデル/ラーナー"、"評価器"を特徴とする、ハイレベルなモジュール化組織が登場した。
論文参考訳（メタデータ） (2022-01-11T06:21:18Z)
Dive into Deep Learning [119.30375933463156]
この本はJupyterのノートブックでドラフトされており、説明図、数学、インタラクティブな例を自己完結型コードとシームレスに統合している。私たちのゴールは、(i)誰でも自由に利用できるリソースを提供すること、(ii)応用機械学習科学者になるための出発点を提供するのに十分な技術的な深さを提供すること、(iii)実行可能なコードを含み、実際にどのように問題を解決するかを読者に示すこと、(iv)私たちとコミュニティの両方による迅速なアップデートを可能にすることです。
論文参考訳（メタデータ） (2021-06-21T18:19:46Z)
Neko: a Library for Exploring Neuromorphic Learning Rules [0.3499870393443268]
Nekoはニューロモルフィック学習アルゴリズムのためのモジュラーライブラリである。最先端のアルゴリズムを再現し、ある場合、精度とスピードの大幅な性能向上につながる。 NekoはPyTorchとバックエンドをサポートするオープンソースのPythonライブラリである。
論文参考訳（メタデータ） (2021-05-01T18:50:32Z)
Captum: A unified and generic model interpretability library for PyTorch [49.72749684393332]
我々は,PyTorch用の新しい,統一されたオープンソースモデル解釈可能性ライブラリを紹介する。このライブラリには、多くの勾配と摂動に基づく属性アルゴリズムの汎用的な実装が含まれている。分類モデルと非分類モデルの両方に使用できる。
論文参考訳（メタデータ） (2020-09-16T18:57:57Z)
PyTorch Metric Learning [37.03614011735927]
PyTorch Metric Learningは、研究者と実践者の両方にとってこの障壁を取り除くことを目的とした、オープンソースのライブラリである。モジュラーでフレキシブルな設計により、ユーザーは既存のコードで異なるアルゴリズムの組み合わせを簡単に試すことができる。また、結果の速さを望むユーザーには、完全なトレイン/テストが提供される。
論文参考訳（メタデータ） (2020-08-20T19:08:56Z)

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。