論文の概要: Yggdrasil Decision Forests: A Fast and Extensible Decision Forests Library

• arxiv url: http://arxiv.org/abs/2212.02934v1
• Date: Tue, 6 Dec 2022 12:44:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 17:25:07.827757
• Title: Yggdrasil Decision Forests: A Fast and Extensible Decision Forests Library
• Title（参考訳）: イグドラジル森林:高速で拡張可能な森林図書館
• Authors: Mathieu Guillame-Bert, Sebastian Bruch, Richard Stotz, Jan Pfeifer
• Abstract要約: 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。 図書館は4つの設計原則に従って2018年から組織的に開発されている。
• 参考スコア（独自算出の注目度）: 2.45129318838789
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Yggdrasil Decision Forests is a library for the training, serving and interpretation of decision forest models, targeted both at research and production work, implemented in C++, and available in C++, command line interface, Python (under the name TensorFlow Decision Forests), JavaScript, and Go. The library has been developed organically since 2018 following a set of four design principles applicable to machine learning libraries and frameworks: simplicity of use, safety of use, modularity and high-level abstraction, and integration with other machine learning libraries. In this paper, we describe those principles in detail and present how they have been used to guide the design of the library. We then showcase the use of our library on a set of classical machine learning problems. Finally, we report a benchmark comparing our library to related solutions.
• Abstract（参考訳）: Yggdrasil Decision Forestsは、C++で実装され、C++、コマンドラインインターフェース、Python(TensorFlow Decision Forestsという名称で)、JavaScript、Goで利用可能な、研究と運用の両方をターゲットにした、決定森林モデルのトレーニング、サービス、解釈のためのライブラリである。 このライブラリは、使用の単純さ、使用の安全性、モジュール化と高レベルの抽象化、他の機械学習ライブラリとの統合という、機械学習ライブラリとフレームワークに適用可能な4つの設計原則のセットに従って、2018年から組織的に開発されている。 本稿では,これらの原則を詳述し,図書館設計の指針として利用した方法について述べる。 次に、古典的な機械学習問題に対する私たちのライブラリの使用を紹介します。 最後に,本ライブラリを関連するソリューションと比較したベンチマークを報告する。

関連論文リスト

• Library Learning Doesn't: The Curious Case of the Single-Use "Library" [20.25809428140996]
  LEGO-ProverとTroVEの2つのライブラリ学習システムについて検討した。 機能再利用は miniF2F と MATH では極めて稀である。 我々の追跡実験は、再利用よりも自己補正と自己整合が、観察されたパフォーマンス向上の主要な要因であることを示唆している。
  論文  参考訳（メタデータ） (2024-10-26T21:05:08Z)
• 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)
• Private-Library-Oriented Code Generation with Large Language Models [52.73999698194344]
  本稿では,大規模言語モデル(LLM)をプライベートライブラリのコード生成に活用することに焦点を当てる。 プログラマがプライベートコードを書く過程をエミュレートする新しいフレームワークを提案する。 TorchDataEval、TorchDataComplexEval、MonkeyEval、BeatNumEvalの4つのプライベートライブラリベンチマークを作成しました。
  論文  参考訳（メタデータ） (2023-07-28T07:43:13Z)
• FuzzyLogic.jl: a Flexible Library for Efficient and Productive Fuzzy Inference [5.584060970507507]
  本稿では,ファジィ推論を行うJuliaライブラリであるtextscFuzzyLogic.jlを紹介する。 ライブラリは完全にオープンソースで、パーミッシブライセンスでリリースされている。
  論文  参考訳（メタデータ） (2023-06-17T10:43:09Z)
• 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)
• 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)
• Req2Lib: A Semantic Neural Model for Software Library Recommendation [8.713783358744166]
  我々はReq2Libと呼ばれる新しいニューラルアプローチを提案し、プロジェクトの要件を記述したライブラリを推奨する。 本研究では,自然言語における要求記述の関連情報と意味情報の学習にシーケンス・ツー・シーケンスモデルを用いる。 我々の予備評価は、Req2Libがライブラリを正確に推奨できることを示しています。
  論文  参考訳（メタデータ） (2020-05-24T14:37:07Z)
• 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)
• OPFython: A Python-Inspired Optimum-Path Forest Classifier [68.8204255655161]
  本稿では,OPFythonと表記されるPythonベースのOptimum-Path Forestフレームワークを提案する。 OPFythonはPythonベースのライブラリなので、C言語よりもフレンドリーな環境とプロトタイピングの作業スペースを提供する。
  論文  参考訳（メタデータ） (2020-01-28T15:46:19Z)

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。