Fugu-MT 論文翻訳(概要): ExeKGLib: Knowledge Graphs-Empowered Machine Learning Analytics

論文の概要: ExeKGLib: Knowledge Graphs-Empowered Machine Learning Analytics

arxiv url: http://arxiv.org/abs/2305.02966v1
Date: Thu, 4 May 2023 16:10:22 GMT
ステータス: 処理完了
システム内更新日: 2023-05-05 14:46:57.292171
Title: ExeKGLib: Knowledge Graphs-Empowered Machine Learning Analytics
Title（参考訳）: exekglib: ナレッジグラフによる機械学習分析
Authors: Antonis Klironomos, Baifan Zhou, Zhipeng Tan, Zhuoxun Zheng, Gad-Elrab Mohamed, Heiko Paulheim, Evgeny Kharlamov
Abstract要約: ExeKGLibは、最小限の機械学習知識を持つユーザがMLパイプラインを構築することができるPythonライブラリです。 ExeKGLibの使用例を示し、その利点を示すために従来のMLコードと比較する。
参考スコア（独自算出の注目度）: 6.739841914490015
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Many machine learning (ML) libraries are accessible online for ML practitioners. Typical ML pipelines are complex and consist of a series of steps, each of them invoking several ML libraries. In this demo paper, we present ExeKGLib, a Python library that allows users with coding skills and minimal ML knowledge to build ML pipelines. ExeKGLib relies on knowledge graphs to improve the transparency and reusability of the built ML workflows, and to ensure that they are executable. We demonstrate the usage of ExeKGLib and compare it with conventional ML code to show its benefits.
Abstract（参考訳）: 多くの機械学習(ML)ライブラリは、ML実践者にオンラインでアクセス可能である。典型的なMLパイプラインは複雑で、一連のステップで構成され、それぞれが複数のMLライブラリを呼び出す。本稿では,コーディングスキルと最小限のML知識を持つユーザがMLパイプラインを構築することができるPythonライブラリであるExeKGLibを紹介する。 ExeKGLibは知識グラフに依存して、構築されたMLワークフローの透明性と再利用性を改善し、それらが実行可能であることを保証する。 ExeKGLibの使用例を示し、その利点を示すために従来のMLコードと比較する。

関連論文リスト

A Large-Scale Study of Model Integration in ML-Enabled Software Systems [4.776073133338119]
機械学習(ML)とそのシステムへの組み込みは、ソフトウェア集約システムのエンジニアリングを大きく変えた。伝統的に、ソフトウェアエンジニアリングは、ソースコードやそれらを作成するプロセスなど、手作業で作成したアーティファクトに焦点を当てている。我々は、GitHub上で2,928以上のオープンソースシステムをカバーする、実際のML対応ソフトウェアシステムに関する最初の大規模な研究を提示する。
論文参考訳（メタデータ） (2024-08-12T15:28:40Z)
Instrumentation and Analysis of Native ML Pipelines via Logical Query Plans [3.2362171533623054]
私たちは、データサイエンティストが機械学習パイプラインを開発し、検証し、監視し、分析するのを支援するために、高度に自動化されたソフトウェアプラットフォームを構想しています。一般的なライブラリに依存したMLパイプラインコードから"論理クエリプラン"を抽出する。これらの計画に基づいて、パイプラインのセマンティクスとインスツルメンタを自動で推論し、MLパイプラインを書き換えて、データサイエンティストが手動でアノテートしたり、コードを書き換えたりすることなく、さまざまなユースケースを可能にします。
論文参考訳（メタデータ） (2024-07-10T11:35:02Z)
Dense Connector for MLLMs [89.50595155217108]
Dense Connector - 既存のMLLMを大幅に強化するプラグイン・アンド・プレイ型ヴィジュアル言語コネクタ。この上に構築されたEfficient Dense Connectorは,視覚トークンの25%に過ぎず,LLaVA-v1.5に匹敵するパフォーマンスを実現する。画像のみを訓練したわれわれのモデルは、ビデオ理解でも際立ったゼロショットの能力を誇示している。
論文参考訳（メタデータ） (2024-05-22T16:25:03Z)
KG-Agent: An Efficient Autonomous Agent Framework for Complex Reasoning over Knowledge Graph [134.8631016845467]
我々は、KG-Agentと呼ばれる自律LLMベースのエージェントフレームワークを提案する。 KG-Agentでは、LLM、多機能ツールボックス、KGベースのエグゼキュータ、知識メモリを統合する。有効性を保証するため、プログラム言語を利用してKG上のマルチホップ推論プロセスを定式化する。
論文参考訳（メタデータ） (2024-02-17T02:07:49Z)
ML-Bench: Evaluating Large Language Models and Agents for Machine Learning Tasks on Repository-Level Code [76.84199699772903]
ML-Benchは、既存のコードリポジトリを利用してタスクを実行する現実世界のプログラミングアプリケーションに根ざしたベンチマークである。 LLM(Large Language Model)とAIエージェントの両方を評価するために、事前に定義されたデプロイメント環境でLLMのテキスト-コード変換を評価するML-LLM-Benchと、Linuxサンドボックス環境でエンドツーエンドのタスク実行で自律エージェントをテストするML-Agent-Benchの2つの設定が採用されている。
論文参考訳（メタデータ） (2023-11-16T12:03:21Z)
On Using Information Retrieval to Recommend Machine Learning Good Practices for Software Engineers [6.7659763626415135]
優れた機械学習プラクティスを受け入れていないと、MLシステムのパフォーマンスが損なわれる可能性がある。多くの非ML専門家は、助けやガイダンスを探すとき、ブログやQ&Aシステムのようなグレーの文献に目を向ける。本稿では,ユーザのコンテキストに基づいてMLプラクティスを推奨するレコメンデーションシステムを提案する。
論文参考訳（メタデータ） (2023-08-23T12:28:18Z)
OmniXAI: A Library for Explainable AI [98.07381528393245]
eXplainable AI(XAI)のオープンソースPythonライブラリであるOmniXAIを紹介する。オールニウェイで説明可能なAI機能と、さまざまな解釈可能な機械学習技術を提供する。実践者にとってこのライブラリは、アプリケーションの説明を生成するために、使いやすく統合されたインターフェースを提供する。
論文参考訳（メタデータ） (2022-06-01T11:35:37Z)
Symphony: Composing Interactive Interfaces for Machine Learning [15.322027013779689]
Symphonyは、タスク固有のデータ駆動コンポーネントと対話型MLインターフェースを構成するためのフレームワークである。我々は10チーム(n=31)の参加型デザインセッションを通じてSymphonyを開発した。
論文参考訳（メタデータ） (2022-02-18T00:27:30Z)
Opacus: User-Friendly Differential Privacy Library in PyTorch [54.8720687562153]
私たちは、差分プライバシーでディープラーニングモデルをトレーニングするための、オープンソースのPyTorchライブラリであるOpacusを紹介します。シンプルでユーザフレンドリなAPIを提供しており、コードに最大2行を追加することで、マシンラーニングの実践者がトレーニングパイプラインをプライベートにすることができる。
論文参考訳（メタデータ） (2021-09-25T07:10:54Z)
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)
Machine Learning Pipelines: Provenance, Reproducibility and FAIR Data Principles [0.0]
マシンラーニングパイプラインのエンドツーエンドをサポートするための、私たちの目標と最初のステップについて説明します。ソースコードとデータセットの可用性を超えて、どの要因がML実験に影響を与えるかを検討する。 ML実験にFAIRデータプラクティスを適用する方法を提案する。
論文参考訳（メタデータ） (2020-06-22T10:17:34Z)

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。