論文の概要: UQpy v4.1: Uncertainty Quantification with Python
- arxiv url: http://arxiv.org/abs/2305.09572v1
- Date: Tue, 16 May 2023 16:11:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 08:35:40.537139
- Title: UQpy v4.1: Uncertainty Quantification with Python
- Title（参考訳）: UQpy v4.1: Pythonによる不確かさの定量化
- Authors: Dimitrios Tsapetis, Michael D. Shields, Dimitris G. Giovanis, Audrey
Olivier, Lukas Novak, Promit Chakroborty, Himanshu Sharma, Mohit Chauhan,
Katiana Kontolati, Lohit Vandanapu, Dimitrios Loukrezis, Michael Gardner
- Abstract要約: 本稿では、UQpyのバージョン4で導入された最新の改善、Pythonによる不確実性定量化、ライブラリについて述べる。
最新バージョンでは、コードは最新のPythonコーディング規約に従って再構成された。
UQpyの堅牢性を改善するために、ソフトウェアエンジニアリングのベストプラクティスが採用された。
- 参考スコア（独自算出の注目度）: 4.6405927770229
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents the latest improvements introduced in Version 4 of the
UQpy, Uncertainty Quantification with Python, library. In the latest version,
the code was restructured to conform with the latest Python coding conventions,
refactored to simplify previous tightly coupled features, and improve its
extensibility and modularity. To improve the robustness of UQpy, software
engineering best practices were adopted. A new software development workflow
significantly improved collaboration between team members, and continous
integration and automated testing ensured the robustness and reliability of
software performance. Continuous deployment of UQpy allowed its automated
packaging and distribution in system agnostic format via multiple channels,
while a Docker image enables the use of the toolbox regardless of operating
system limitations.
- Abstract（参考訳）: 本稿では、UQpyのバージョン4で導入された最新の改善、Pythonによる不確実性定量化、ライブラリについて述べる。
最新バージョンでは、コードは最新のPythonコーディング規約に適合するように再構成され、以前の密結合機能を単純化し、拡張性とモジュール化を改善した。
UQpyの堅牢性を改善するために、ソフトウェアエンジニアリングのベストプラクティスが採用された。
新しいソフトウェア開発ワークフローは、チームメンバ間のコラボレーションを大幅に改善し、継続的統合と自動テストによって、ソフトウェアパフォーマンスの堅牢性と信頼性が保証された。
UQpyの継続的デプロイは、複数のチャネルを介して、システム非依存の形式での自動パッケージングと配布を可能にし、Dockerイメージは、オペレーティングシステムの制限にかかわらず、ツールボックスの使用を可能にする。
関連論文リスト
- Effective Design Verification -- Constrained Random with Python and Cocotb [2.3624953088402734]
Pythonは、シンプルさと35のキーワード(v3.7)があるため、世界で最も広く使われている言語である。
本稿の目的は,Python-Cocotbの検証設定を設計IPで評価し,その特徴と性能指標を現在のデファクトハードウェア検証言語であるSystemVerilogと比較することである。
論文 参考訳（メタデータ） (2024-05-06T07:58:16Z) - Python Fuzzing for Trustworthy Machine Learning Frameworks [0.0]
我々はSydr-Fuzzを用いたPythonプロジェクトの動的解析パイプラインを提案する。
私たちのパイプラインにはファジング、コーパスの最小化、クラッシュトリアージ、カバレッジ収集が含まれています。
機械学習フレームワークの最も脆弱な部分を特定するために、攻撃の潜在的な表面を分析し、PyTorchのファズターゲットとh5pyなどの関連プロジェクトを開発する。
論文 参考訳（メタデータ） (2024-03-19T13:41:11Z) - UncertaintyPlayground: A Fast and Simplified Python Library for
Uncertainty Estimation [0.0]
UncertaintyPlaygroundはPyTorchとGPyTorch上に構築されたPythonライブラリで、教師付き学習タスクの不確かさを推定する。
このライブラリは、ガウスおよびマルチモーダルな結果分布の高速なトレーニングを提供する。
1つ以上のインスタンスの予測間隔を視覚化することができる。
論文 参考訳（メタデータ） (2023-10-23T18:36:54Z) - PyPOTS: A Python Toolbox for Data Mining on Partially-Observed Time
Series [0.0]
PyPOTSは、部分的に保存された時系列のデータマイニングと分析に特化した、オープンソースのPythonライブラリである。
これは、計算、分類、クラスタリング、予測の4つのタスクに分類される多様なアルゴリズムに容易にアクセスできる。
論文 参考訳（メタデータ） (2023-05-30T07:57:05Z) - Transactional Python for Durable Machine Learning: Vision, Challenges,
and Feasibility [5.669983975369642]
Pythonアプリケーションは、トレーニングされたモデルや抽出された機能などの重要なデータを失う可能性がある。
本稿では,ユーザプログラムやPythonカーネルにコード修正を加えることなくDARTを提供するトランザクショナルPythonのビジョンについて述べる。
公開PyTorchおよびScikit-learnアプリケーションによる概念実証実装の評価は、DARTが1.5%～15.6%のオーバーヘッドで提供可能であることを示している。
論文 参考訳（メタデータ） (2023-05-15T16:27:09Z) - 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) - PyGOD: A Python Library for Graph Outlier Detection [56.33769221859135]
PyGODは、グラフデータの外れ値を検出するオープンソースライブラリである。
外れ値検出のための主要なグラフベースのメソッドを幅広くサポートしています。
PyGODはBSD 2-Clauseライセンスの下でhttps://pygod.orgとPython Package Index (PyPI)でリリースされている。
論文 参考訳（メタデータ） (2022-04-26T06:15:21Z) - pymdp: A Python library for active inference in discrete state spaces [52.85819390191516]
pymdpはPythonでアクティブな推論をシミュレートするオープンソースパッケージである。
我々は,POMDPによるアクティブな推論をシミュレートする,最初のオープンソースパッケージを提供する。
論文 参考訳（メタデータ） (2022-01-11T12:18:44Z) - Latte: Cross-framework Python Package for Evaluation of Latent-Based
Generative Models [65.51757376525798]
Latteは、潜伏型生成モデルを評価するためのPythonライブラリである。
LatteはPyTorchと/Kerasの両方と互換性があり、関数型APIとモジュール型APIの両方を提供する。
論文 参考訳（メタデータ） (2021-12-20T16:00:28Z) - Uncertainty Quantification 360: A Holistic Toolkit for Quantifying and
Communicating the Uncertainty of AI [49.64037266892634]
我々は、AIモデルの不確実性定量化のためのオープンソースのPythonツールキットUncertainty Quantification 360 (UQ360)について述べる。
このツールキットの目標は2つある: ひとつは、AIアプリケーション開発ライフサイクルにおける不確実性を定量化し、評価し、改善し、伝達する共通のプラクティスを育むとともに、合理化するための幅広い能力を提供すること、もうひとつは、信頼できるAIの他の柱とのUQの接続をさらに探求することである。
論文 参考訳（メタデータ） (2021-06-02T18:29:04Z) - DIETERpy: a Python framework for The Dispatch and Investment Evaluation
Tool with Endogenous Renewables [62.997667081978825]
DIETERはオープンソースの電力セクターモデルであり、可変再生可能エネルギー源の非常に高いシェアで将来の設定を分析するように設計されている。
システム全体のコストを最小化し、様々な世代の固定および可変コスト、柔軟性、セクター結合オプションを含む。
我々は、GAMS(General Algebraic Modeling System)で記述された既存のモデルバージョンの上に構築されたDIETERpyを紹介し、それをPythonフレームワークで強化する。
論文 参考訳（メタデータ） (2020-10-02T09:27:33Z)
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。