論文の概要: Renate: A Library for Real-World Continual Learning

• arxiv url: http://arxiv.org/abs/2304.12067v1
• Date: Mon, 24 Apr 2023 13:03:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 14:53:14.055931
• Title: Renate: A Library for Real-World Continual Learning
• Title（参考訳）: Renate: 実世界の継続的な学習のためのライブラリ
• Authors: Martin Wistuba and Martin Ferianc and Lukas Balles and Cedric Archambeau and Giovanni Zappella
• Abstract要約: 継続的学習は、非定常データストリーム上での機械学習モデルの漸進的なトレーニングを可能にする。 本稿では,PyTorchモデルのためのリアルタイム更新パイプラインを構築するために設計された連続学習ライブラリであるRenateについて述べる。
• 参考スコア（独自算出の注目度）: 12.74859039654509
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continual learning enables the incremental training of machine learning models on non-stationary data streams.While academic interest in the topic is high, there is little indication of the use of state-of-the-art continual learning algorithms in practical machine learning deployment. This paper presents Renate, a continual learning library designed to build real-world updating pipelines for PyTorch models. We discuss requirements for the use of continual learning algorithms in practice, from which we derive design principles for Renate. We give a high-level description of the library components and interfaces. Finally, we showcase the strengths of the library by presenting experimental results. Renate may be found at https://github.com/awslabs/renate.
• Abstract（参考訳）: 連続学習は、非定常データストリーム上での機械学習モデルのインクリメンタルなトレーニングを可能にする。そのトピックに対する学術的な関心は高いが、実用的な機械学習展開における最先端の連続学習アルゴリズムの使用の兆候はほとんどない。 本稿では,PyTorchモデルのリアルタイム更新パイプラインを構築するために設計された連続学習ライブラリであるRenateを提案する。 本稿では,Renateの設計原則を導出した連続学習アルゴリズムの実践的利用要件について論じる。 ライブラリコンポーネントとインターフェースの高レベルな説明をします。 最後に,実験結果を示し,図書館の強みを示す。 Renateはhttps://github.com/awslabs/renateで見ることができる。

関連論文リスト

• Premonition: Using Generative Models to Preempt Future Data Changes in Continual Learning [63.850451635362425]
  継続的な学習には、データ分散の継続的な変化に対応するためのモデルが必要である。 本稿では,大規模言語モデルと画像生成モデルの組み合わせが有用であることを示す。 トレーニング済みネットワークのバックボーンは、下流の連続学習問題に有用な表現を学習できることがわかった。
  論文  参考訳（メタデータ） (2024-03-12T06:29:54Z)
• 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)
• Avalanche: A PyTorch Library for Deep Continual Learning [12.238684710313168]
  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。
  論文  参考訳（メタデータ） (2023-02-02T10:45:20Z)
• Avalanche RL: a Continual Reinforcement Learning Library [8.351133445318448]
  連続強化学習ライブラリAvalanche RLについて述べる。 Avalanche RLはPyTorchをベースにしており、あらゆるOpenAI Gym環境をサポートしている。 Continual Habitat-Labは、フォトリアリスティックシミュレータHabitat-Simの使用を可能にする、新しいベンチマークとハイレベルライブラリである。
  論文  参考訳（メタデータ） (2022-02-28T10:01:22Z)
• 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)
• Bayesian active learning for production, a systematic study and a reusable library [85.32971950095742]
  本稿では,現在のアクティブラーニング技術の主な欠点について分析する。 実世界のデータセットの最も一般的な課題が深層能動学習プロセスに与える影響について,系統的研究を行った。 部分的不確実性サンプリングやより大きいクエリサイズといった,アクティブな学習ループを高速化する2つの手法を導出する。
  論文  参考訳（メタデータ） (2020-06-17T14:51:11Z)
• Rethinking Few-Shot Image Classification: a Good Embedding Is All You Need? [72.00712736992618]
  メタトレーニングセット上で教師付きあるいは自己教師型表現を学習する単純なベースラインが、最先端の数ショット学習方法より優れていることを示す。 追加の増量は自己蒸留によって達成できる。 我々は,この発見が,画像分類ベンチマークとメタ学習アルゴリズムの役割を再考する動機となっていると考えている。
  論文  参考訳（メタデータ） (2020-03-25T17:58:42Z)
• Deep Learning for MIR Tutorial [68.8204255655161]
  このチュートリアルは、広範囲にわたるMIR関連ディープラーニングアプローチをカバーしている。 textbfConvolutional Neural Networksは現在、ディープラーニングベースのオーディオ検索のためのデファクトスタンダードである。 textbfSiamese Networksは音楽類似性検索に特有な音声表現と距離関数の学習に有効であることが示されている。
  論文  参考訳（メタデータ） (2020-01-15T12:23:17Z)

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。