論文の概要: Avalanche: A PyTorch Library for Deep Continual Learning
- arxiv url: http://arxiv.org/abs/2302.01766v1
- Date: Thu, 2 Feb 2023 10:45:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-06 15:59:33.678838
- Title: Avalanche: A PyTorch Library for Deep Continual Learning
- Title（参考訳）: Avalanche: ディープラーニングのためのPyTorchライブラリ
- Authors: Antonio Carta, Lorenzo Pellegrini, Andrea Cossu, Hamed Hemati,
Vincenzo Lomonaco
- Abstract要約: 継続的な学習は、非定常的なデータストリームから学習する問題である。
AvalancheはContinualAIの非営利団体によって管理されているオープンソースライブラリである。
- 参考スコア（独自算出の注目度）: 12.238684710313168
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Continual learning is the problem of learning from a nonstationary stream of
data, a fundamental issue for sustainable and efficient training of deep neural
networks over time. Unfortunately, deep learning libraries only provide
primitives for offline training, assuming that model's architecture and data
are fixed. Avalanche is an open source library maintained by the ContinualAI
non-profit organization that extends PyTorch by providing first-class support
for dynamic architectures, streams of datasets, and incremental training and
evaluation methods. Avalanche provides a large set of predefined benchmarks and
training algorithms and it is easy to extend and modular while supporting a
wide range of continual learning scenarios. Documentation is available at
\url{https://avalanche.continualai.org}.
- Abstract（参考訳）: 継続的学習は、非定常的なデータストリームから学習する問題であり、時間とともに深層ニューラルネットワークの持続的かつ効率的なトレーニングの基本的な問題である。
残念ながら、ディープラーニングライブラリは、モデルアーキテクチャとデータが固定されていると仮定して、オフライントレーニングのためのプリミティブのみを提供する。
Avalancheは、ContinualAIの非営利団体が管理するオープンソースライブラリで、動的アーキテクチャ、データセットストリーム、インクリメンタルトレーニングと評価方法のファーストクラスサポートを提供することで、PyTorchを拡張している。
Avalancheは、事前定義されたベンチマークとトレーニングアルゴリズムの大規模なセットを提供し、幅広い継続的な学習シナリオをサポートしながら、拡張とモジュール化が容易である。
ドキュメントは \url{https://avalanche.continualai.org} で入手できる。
関連論文リスト
- Katakomba: Tools and Benchmarks for Data-Driven NetHack [52.0035089982277]
NetHackは強化学習研究のフロンティアとして知られている。
採用には、リソースワイド、実装ワイド、ベンチマークワイドの3つの大きな障害がある、と私たちは主張しています。
オフラインの強化学習コミュニティに慣れ親しんだワークフローの基礎を提供するオープンソースライブラリを開発した。
論文 参考訳（メタデータ） (2023-06-14T22:50:25Z) - 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) - TSFEDL: A Python Library for Time Series Spatio-Temporal Feature
Extraction and Prediction using Deep Learning (with Appendices on Detailed
Network Architectures and Experimental Cases of Study) [9.445070013080601]
TSFEライブラリは、AGPLv3ライセンスの下でflow+KerasとPyTorchモジュールのセット上に構築されている。
この提案に含まれるアーキテクチャのパフォーマンス検証は、このPythonパッケージの有用性を確認している。
論文 参考訳（メタデータ） (2022-06-07T10:58:33Z) - APP: Anytime Progressive Pruning [104.36308667437397]
本稿では,特にオンライン学習の場合において,ニューラルネットワークをターゲット空間でトレーニングする方法を提案する。
提案手法は,複数のアーキテクチャやデータセットにまたがるベースライン密度とAnytime OSPモデルにおいて,短時間で適度かつ長時間のトレーニングにおいて,大幅に性能が向上する。
論文 参考訳（メタデータ） (2022-04-04T16:38:55Z) - Online Continual Learning with Natural Distribution Shifts: An Empirical
Study with Visual Data [101.6195176510611]
オンライン」連続学習は、情報保持とオンライン学習の有効性の両方を評価することができる。
オンライン連続学習では、入力される各小さなデータをまずテストに使用し、次にトレーニングセットに追加し、真にオンラインにします。
本稿では,大規模かつ自然な分布変化を示すオンライン連続視覚学習のための新しいベンチマークを提案する。
論文 参考訳（メタデータ） (2021-08-20T06:17:20Z) - 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) - OpTorch: Optimized deep learning architectures for resource limited
environments [1.5736899098702972]
時間や記憶など多面的に最適化された深層学習パイプラインを提案します。
OpTorchは、ニューラルネットワークトレーニングの既存の実装の弱点を克服するために設計された機械学習ライブラリである。
論文 参考訳（メタデータ） (2021-05-03T03:58:57Z) - Avalanche: an End-to-End Library for Continual Learning [81.84325803942811]
PyTorchをベースとした継続的学習研究のためのオープンソースライブラリであるAvalancheを提案する。
avalancheは、継続的学習アルゴリズムの高速プロトタイピング、トレーニング、再現可能な評価のための共有とコラボレーションを提供するように設計されている。
論文 参考訳（メタデータ） (2021-04-01T11:31:46Z) - A Fortran-Keras Deep Learning Bridge for Scientific Computing [6.768544973019004]
ソフトウェアライブラリであるFortran-Keras Bridge(FKB)を導入する。
本稿は、FKBが提供するいくつかのユニークな機能、例えば、カスタマイズ可能なレイヤ、損失関数、ネットワークアンサンブルについて述べる。
本稿は,地球規模の気候シミュレーションに対する実験的アプローチの堅牢性に関するオープンな疑問にFKBを適用したケーススタディで締めくくっている。
論文 参考訳（メタデータ） (2020-04-14T15:10:09Z)
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。