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
- 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: Large Language Models Leverage Open-source Libraries for
Machine Learning Tasks [75.12666425091702]
大規模な言語モデルは、コード生成ベンチマークで有望なパフォーマンスを示している。
この研究は、LLMがオープンソースのライブラリを使用して機械学習タスクを終了する、新たな評価設定を提案することを目的としている。
論文 参考訳(メタデータ) (2023-11-16T12:03:21Z) - Julearn: an easy-to-use library for leakage-free evaluation and
inspection of ML models [0.23301643766310373]
我々は、Julearnの設計の背景にある理論的根拠と、その中核となる特徴を提示し、以前に公表された研究プロジェクトの3つの例を示す。
Julearnは、最も一般的なMLの落とし穴に対して、ガードを組み込んだ使いやすい環境を提供することで、機械学習の世界への参入を単純化することを目指している。
論文 参考訳(メタデータ) (2023-10-19T08:21:12Z) - 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) - Exploring the Potential of Large Language Models (LLMs) in Learning on
Graphs [59.74814230246034]
大規模言語モデル(LLM)は、広範な共通知識と強力な意味理解能力を持つことが証明されている。
LLMs-as-EnhancersとLLMs-as-Predictorsの2つのパイプラインについて検討する。
論文 参考訳(メタデータ) (2023-07-07T05:31:31Z) - 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。
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。