論文の概要: HypLL: The Hyperbolic Learning Library

• arxiv url: http://arxiv.org/abs/2306.06154v3
• Date: Tue, 19 Dec 2023 15:37:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-21 00:29:27.962322
• Title: HypLL: The Hyperbolic Learning Library
• Title（参考訳）: HypLL: 双曲学習ライブラリ
• Authors: Max van Spengler, Philipp Wirth, Pascal Mettes
• Abstract要約: 我々は,双曲学習ライブラリHypLLを紹介し,双曲深層学習の進歩を両立させる。 HypLLはPyTorch上に構築されており、使いやすさを重視して、この新しいオープンな研究方向性に広く関心を寄せている。
• 参考スコア（独自算出の注目度）: 14.760891078342166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning in hyperbolic space is quickly gaining traction in the fields of machine learning, multimedia, and computer vision. Deep networks commonly operate in Euclidean space, implicitly assuming that data lies on regular grids. Recent advances have shown that hyperbolic geometry provides a viable alternative foundation for deep learning, especially when data is hierarchical in nature and when working with few embedding dimensions. Currently however, no accessible open-source library exists to build hyperbolic network modules akin to well-known deep learning libraries. We present HypLL, the Hyperbolic Learning Library to bring the progress on hyperbolic deep learning together. HypLL is built on top of PyTorch, with an emphasis in its design for ease-of-use, in order to attract a broad audience towards this new and open-ended research direction. The code is available at: https://github.com/maxvanspengler/hyperbolic_learning_library.
• Abstract（参考訳）: 双曲空間におけるディープラーニングは、機械学習、マルチメディア、コンピュータビジョンの分野で急速に勢いを増している。 深層ネットワークは一般にユークリッド空間で動作し、データが正規格子上にあることを暗黙的に仮定する。 近年の進歩は、特にデータが階層的であり、埋め込み次元がほとんどない場合に、双曲幾何学がディープラーニングに有効な代替基盤を提供することを示している。 しかし、よく知られたディープラーニングライブラリと同様、ハイパーボリックネットワークモジュールを構築するためにアクセス可能なオープンソースライブラリは存在しない。 我々は,双曲学習ライブラリHypLLを紹介し,双曲深層学習の進歩を両立させる。 hypllはpytorch上に構築されており、この新しくてオープンな研究の方向性に広く観客を引き付けるために、使いやすさを重視している。 コードはhttps://github.com/maxvanspengler/hyperbolic_learning_libraryで入手できる。

関連論文リスト

• Hyperbolic Convolutional Neural Networks [14.35618845900589]
  データを埋め込みするために非ユークリッド空間を使用すると、より堅牢で説明可能なモデルが得られる。 我々は、データ内の階層をキャプチャする双曲空間の能力は、より良いパフォーマンスをもたらすと仮定する。
  論文  参考訳（メタデータ） (2023-08-29T21:20:16Z)
• 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)
• NASiam: Efficient Representation Learning using Neural Architecture Search for Siamese Networks [76.8112416450677]
  シームズネットワークは、自己教師付き視覚表現学習(SSL)を実現するための最も傾向のある方法の1つである。 NASiamは、初めて微分可能なNASを使用して、多層パーセプトロンプロジェクタと予測器(エンコーダ/予測器ペア)を改善する新しいアプローチである。 NASiamは、小規模(CIFAR-10/CIFAR-100)と大規模(画像Net)画像分類データセットの両方で競合性能を達成し、わずか数GPU時間しかかからない。
  論文  参考訳（メタデータ） (2023-01-31T19:48:37Z)
• APP: Anytime Progressive Pruning [104.36308667437397]
  本稿では,特にオンライン学習の場合において,ニューラルネットワークをターゲット空間でトレーニングする方法を提案する。 提案手法は,複数のアーキテクチャやデータセットにまたがるベースライン密度とAnytime OSPモデルにおいて,短時間で適度かつ長時間のトレーニングにおいて,大幅に性能が向上する。
  論文  参考訳（メタデータ） (2022-04-04T16:38:55Z)
• 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)
• Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
  機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。 ディープラーニングは、独自の機械学習のサブフィールドになっている。 生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
  論文  参考訳（メタデータ） (2021-05-29T21:02:44Z)
• DIG: A Turnkey Library for Diving into Graph Deep Learning Research [39.58666190541479]
  DIG: Dive into Graphsは研究指向のライブラリで、いくつかの高度なタスクで共通のグラフ深層学習アルゴリズムを統合および統合しています。 それぞれの方向に対して、データインターフェース、共通アルゴリズム、評価メトリクスの統合実装を提供します。
  論文  参考訳（メタデータ） (2021-03-23T15:05:10Z)
• Hyperbolic Deep Neural Networks: A Survey [31.04110049167551]
  本論文では,このモデルを双曲型ディープニューラルネットワークと呼んでいる。 本論文では,ハイパーボリック深層ニューラルネットワークの構築における神経成分に関する文献の一貫性と総合的検討について述べる。
  論文  参考訳（メタデータ） (2021-01-12T15:55:16Z)
• Robust Large-Margin Learning in Hyperbolic Space [64.42251583239347]
  ユークリッド空間ではなく双曲型で分類器を学ぶための最初の理論的保証を示す。 本研究では, 対向例の慎重な注入に頼って, 大面積超平面を効率よく学習するアルゴリズムを提案する。 双曲空間によく埋め込まれる階層的データに対して、低埋め込み次元は優れた保証を保証することを証明している。
  論文  参考訳（メタデータ） (2020-04-11T19:11:30Z)

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。