Fugu-MT 論文翻訳(概要): ELEA -- Build your own Evolutionary Algorithm in your Browser

論文の概要: ELEA -- Build your own Evolutionary Algorithm in your Browser

arxiv url: http://arxiv.org/abs/2302.06277v1
Date: Mon, 13 Feb 2023 11:32:40 GMT
ステータス: 処理完了
システム内更新日: 2023-02-14 15:58:05.700046
Title: ELEA -- Build your own Evolutionary Algorithm in your Browser
Title（参考訳）: ELEA -- ブラウザで独自の進化的アルゴリズムを構築する
Authors: Markus Wagner, Erik Kohlros, Gerome Quantmeyer, Timo K\"otzing
Abstract要約: 進化的アルゴリズムの実験と学習ツールキット"は,進化的アルゴリズムを実験するためのオープンソースフレームワークである。 ELEAはブラウザベースで、ドラッグ&ドロップを使って進化的アルゴリズムを組み立てることができる。 ELEAは特に、アルゴリズムの爆発的分析や教室での使用に適している。
参考スコア（独自算出の注目度）: 1.5525560291268217
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We provide an open source framework to experiment with evolutionary algorithms which we call "Experimenting and Learning toolkit for Evolutionary Algorithms (ELEA)". ELEA is browser-based and allows to assemble evolutionary algorithms using drag-and-drop, starting from a number of simple pre-designed examples, making the startup costs for employing the toolkit minimal. The designed examples can be executed and collected data can be displayed graphically. Further features include export of algorithm designs and experimental results as well as multi-threading. With the very intuitive user interface and the short time to get initial experiments going, this tool is especially suitable for explorative analyses of algorithms as well as for the use in classrooms.
Abstract（参考訳）: 進化的アルゴリズム(ELEA)の実験および学習ツールキット(Experimenting and Learning Toolkit for Evolutionary Algorithms)と呼ぶ進化的アルゴリズムを実験するためのオープンソースのフレームワークを提供する。 ELEAはブラウザベースで、ドラッグ&ドロップを使って進化的アルゴリズムを組み立てることができる。設計した例は実行でき、収集されたデータはグラフィカルに表示できる。さらに、アルゴリズム設計のエクスポートや実験結果、マルチスレッドなどが含まれる。非常に直感的なユーザーインターフェイスと、最初の実験を行うのに要する時間が短いので、このツールは特にアルゴリズムの探索分析や教室での使用に適している。

関連論文リスト

Slax: A Composable JAX Library for Rapid and Flexible Prototyping of Spiking Neural Networks [0.19427883580687189]
本稿では,SNNアルゴリズム設計を高速化するJAXベースのライブラリであるSlaxを紹介する。 Slaxは多様なトレーニングアルゴリズムの最適化実装を提供し、直接性能比較を可能にする。
論文参考訳（メタデータ） (2024-04-08T18:15:13Z)
PyExperimenter: Easily distribute experiments and track results [63.871474825689134]
PyExperimenterは、アルゴリズムの実験的な研究結果のセットアップ、ドキュメンテーション、実行、およびその後の評価を容易にするツールである。人工知能の分野で研究者が使用することを意図しているが、それらに限定されていない。
論文参考訳（メタデータ） (2023-01-16T10:43:02Z)
A modular software framework for the design and implementation of ptychography algorithms [55.41644538483948]
我々は,Pychographyデータセットをシミュレートし,最先端の再構築アルゴリズムをテストすることを目的とした,新しいptychographyソフトウェアフレームワークであるSciComを紹介する。その単純さにもかかわらず、ソフトウェアはPyTorchインターフェースによる高速化処理を利用する。結果は合成データと実データの両方で示される。
論文参考訳（メタデータ） (2022-05-06T16:32:37Z)
Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
論文参考訳（メタデータ） (2021-11-05T02:54:06Z)
ULTRA: An Unbiased Learning To Rank Algorithm Toolbox [13.296248894004652]
本稿では,Unbiased Learning to rank (ULTR)の一般的な枠組みについて述べる。また、ULTRAでアルゴリズムを簡潔に記述し、ツールボックスの構造とパイプラインを詳述する。ツールボックスは,異なる構成のULTRアルゴリズムの実験や,サポート対象の機能による独自のアルゴリズムのテストを行う上で,研究者にとって重要なリソースである。
論文参考訳（メタデータ） (2021-08-11T07:26:59Z)
A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
論文参考訳（メタデータ） (2020-11-17T22:24:26Z)
Acme: A Research Framework for Distributed Reinforcement Learning [42.829073211509886]
本稿では,新しい深部強化学習(RL)アルゴリズムを構築するためのフレームワークであるAcmeについて述べる。これは、Acmeが大規模な分散RLアルゴリズムの実装にどのように使用できるかを示し、その実装の本質的な可読性を維持しながら、大規模に実行できることを示している。
論文参考訳（メタデータ） (2020-06-01T14:38:52Z)
AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文参考訳（メタデータ） (2020-03-06T19:00:04Z)
PHOTONAI -- A Python API for Rapid Machine Learning Model Development [2.414341608751139]
PHOTONAIは、機械学習モデル開発の簡素化と高速化を目的とした、ハイレベルなPython APIである。これは統一フレームワークとして機能し、ユーザーは異なるツールボックスからのアルゴリズムをカスタムのアルゴリズムシーケンスに簡単にアクセスし、組み合わせることができる。
論文参考訳（メタデータ） (2020-02-13T10:33:05Z)
Torch-Struct: Deep Structured Prediction Library [138.5262350501951]
本稿では,構造化予測ライブラリTorch-Structを紹介する。 Torch-Structには,シンプルで柔軟な分散ベースのAPIを通じてアクセスされる,確率的構造の広範なコレクションが含まれている。
論文参考訳（メタデータ） (2020-02-03T16:43:02Z)
Application of Deep Learning in Generating Desired Design Options: Experiments Using Synthetic Training Dataset [5.564299196293697]
本研究では,Deep Learning (DL) アルゴリズムを用いて要求された設計オプションを生成する手法を適用した。物体認識問題は, 異なる種類の合成2次元形状からなるトレーニングデータセットに基づいて, 未知のサンプル画像のラベルを最初に予測するために検討される。次のステップでは、空間日光自律性(sDA)メトリクスに基づいて、所望の光/影のパフォーマンスのためのウィンドウ/壁パターンを生成するようにアルゴリズムを訓練する。
論文参考訳（メタデータ） (2019-12-28T01:26:20Z)

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。