論文の概要: Torch-Choice: A PyTorch Package for Large-Scale Choice Modelling with
Python
- arxiv url: http://arxiv.org/abs/2304.01906v2
- Date: Mon, 22 May 2023 08:20:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 03:20:37.978191
- Title: Torch-Choice: A PyTorch Package for Large-Scale Choice Modelling with
Python
- Title（参考訳）: Torch-Choice: Pythonによる大規模選択モデリングのためのPyTorchパッケージ
- Authors: Tianyu Du, Ayush Kanodia and Susan Athey
- Abstract要約: $texttttorch-choice$はPythonとPyTorchを使ったフレキシブルで高速な選択モデリングのためのオープンソースライブラリである。
$textttChoiceDataset$は、データベースを柔軟かつメモリ効率よく管理するための、$textttChoiceDataset$データ構造を提供します。
- 参考スコア（独自算出の注目度）: 11.566791864440262
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The $\texttt{torch-choice}$ is an open-source library for flexible, fast
choice modeling with Python and PyTorch. $\texttt{torch-choice}$ provides a
$\texttt{ChoiceDataset}$ data structure to manage databases flexibly and
memory-efficiently. The paper demonstrates constructing a
$\texttt{ChoiceDataset}$ from databases of various formats and functionalities
of $\texttt{ChoiceDataset}$. The package implements two widely used models,
namely the multinomial logit and nested logit models, and supports
regularization during model estimation. The package incorporates the option to
take advantage of GPUs for estimation, allowing it to scale to massive datasets
while being computationally efficient. Models can be initialized using either
R-style formula strings or Python dictionaries. We conclude with a comparison
of the computational efficiencies of $\texttt{torch-choice}$ and
$\texttt{mlogit}$ in R as (1) the number of observations increases, (2) the
number of covariates increases, and (3) the expansion of item sets. Finally, we
demonstrate the scalability of $\texttt{torch-choice}$ on large-scale datasets.
- Abstract（参考訳）: $\texttt{torch-choice}$は、PythonとPyTorchを使った柔軟で高速な選択モデリングのためのオープンソースライブラリである。
データベースを柔軟かつメモリ効率良く管理するための$\texttt{torch-choice}$データ構造を提供する。
この記事では、$\texttt{ChoiceDataset}$のさまざまなフォーマットと機能を持つデータベースから$\textt{ChoiceDataset}$を構築することを実証する。
このパッケージは、多項ロジットとネストロジットモデルという2つの広く使われているモデルを実装し、モデル推定中に正規化をサポートする。
このパッケージには、推定にGPUを利用するオプションが含まれており、計算効率が良く、大量のデータセットにスケールできる。
モデルは R-style formula strings または Python dictionary を使って初期化することができる。
結論として, r における $\textt{torch-choice}$ と $\texttt{mlogit}$ の計算効率を比較して, (1) 観測数の増加, (2) 共変数数の増加, (3) 項目集合の拡大について考察した。
最後に、大規模データセット上で$\texttt{torch-choice}$のスケーラビリティを示す。
関連論文リスト
- PyTorch Frame: A Modular Framework for Multi-Modal Tabular Learning [54.912520425218496]
PyTorch Frame は PyTorch をベースとした多モード表データの深層学習フレームワークである。
モジュラー方式で多種多様なモデルを実装することにより,PyTorch Frameの有用性を示す。
我々は、グラフニューラルネットワーク(GNN)のためのPyTorchライブラリであるPyTorch GeometricとPyTorch Frameを統合し、関係データベース上でエンドツーエンドの学習を行う。
論文 参考訳（メタデータ） (2024-03-31T19:15:09Z) - pyvene: A Library for Understanding and Improving PyTorch Models via
Interventions [79.72930339711478]
$textbfpyvene$は、さまざまなPyTorchモジュールに対するカスタマイズ可能な介入をサポートするオープンソースライブラリである。
私たちは、$textbfpyvene$が、ニューラルモデルへの介入を実行し、他のモデルとインターバルされたモデルを共有するための統一されたフレームワークを提供する方法を示します。
論文 参考訳（メタデータ） (2024-03-12T16:46:54Z) - Interpreting Deep Neural Networks with the Package innsight [0.951828574518325]
innsightは一般的に、ニューラルネットワークのための機能属性メソッドを実装する最初のRパッケージである。
ディープラーニングライブラリとは独立して動作し、任意のRパッケージからモデルの解釈を可能にする。
Innsightは、トーチパッケージの高速かつ効率的な配列計算から内部的に恩恵を受ける。
論文 参考訳（メタデータ） (2023-06-19T10:12:32Z) - 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) - Scaling Up Models and Data with $\texttt{t5x}$ and $\texttt{seqio}$ [118.04625413322827]
$texttt5x$と$texttseqio$は、言語モデルの構築とトレーニングのためのオープンソースのソフトウェアライブラリである。
これらのライブラリは、複数のテラバイトのトレーニングデータを持つデータセット上で、数十億のパラメータを持つモデルをトレーニングするために使用されています。
論文 参考訳（メタデータ） (2022-03-31T17:12:13Z) - $\texttt{py-irt}$: A Scalable Item Response Theory Library for Python [3.9828133571463935]
$textttpy-irt$はBayesian Item Response Theory(IRT)モデルを適合させるPythonライブラリである。
主題や項目の潜在特性を推定し、IRTタスクや理想的なポイントモデルでの使用に適しています。
論文 参考訳（メタデータ） (2022-03-02T18:09:46Z) - PyHHMM: A Python Library for Heterogeneous Hidden Markov Models [63.01207205641885]
PyHHMM は Heterogeneous-Hidden Markov Models (HHMM) のオブジェクト指向Python実装である。
PyHHMMは、異種観測モデル、データ推論の欠如、異なるモデルの順序選択基準、半教師付きトレーニングなど、同様のフレームワークではサポートされない機能を強調している。
PyHHMMは、numpy、scipy、scikit-learn、およびシーボーンPythonパッケージに依存しており、Apache-2.0ライセンスの下で配布されている。
論文 参考訳（メタデータ） (2022-01-12T07:32:36Z) - Using Python for Model Inference in Deep Learning [0.6027358520885614]
pythonで推論を実行しながら、パフォーマンスとパッケージングの制約を満たす方法を示します。
複数のPythonインタプリタを単一のプロセスで使用して,スケーラブルな推論を実現する方法を提案する。
論文 参考訳（メタデータ） (2021-04-01T04:48:52Z) - pyBART: Evidence-based Syntactic Transformations for IE [52.93947844555369]
pyBARTは、英語のUD木を拡張UDグラフに変換するためのオープンソースのPythonライブラリである。
パターンに基づく関係抽出のシナリオで評価すると、より少ないパターンを必要としながら、より高精細なUDよりも高い抽出スコアが得られる。
論文 参考訳（メタデータ） (2020-05-04T07:38:34Z) - Pruned Wasserstein Index Generation Model and wigpy Package [0.0]
本稿では,WIGモデルに適合する前処理ステップとして,語彙の次元性を低減するためのラッソに基づく縮小法を提案する。
両方のフレーバーで計算を実行するために、Pythonのtextitwigpyモジュールも提供しています。
論文 参考訳（メタデータ） (2020-03-30T18:26:24Z)
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。