論文の概要: ManimML: Communicating Machine Learning Architectures with Animation
- arxiv url: http://arxiv.org/abs/2306.17108v3
- Date: Tue, 14 Nov 2023 19:15:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-16 20:14:03.877070
- Title: ManimML: Communicating Machine Learning Architectures with Animation
- Title（参考訳）: ManimML: アニメーションによる機械学習アーキテクチャのコミュニケーション
- Authors: Alec Helbling and Duen Horng Chau
- Abstract要約: 我々は,機械学習アルゴリズムのアニメーションをコードから直接生成する,オープンソースのPythonライブラリManimMLを開発した。
ManimMLには、Pytorchのような人気のあるディープラーニングフレームワークを模倣するニューラルネットワークを指定するための、おなじみの構文がある。
既存のニューラルネットワークアーキテクチャを使用すれば,ManimMLでアニメーションの仕様を簡単に記述することができる。
- 参考スコア（独自算出の注目度）: 25.248584243340602
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There has been an explosion in interest in machine learning (ML) in recent
years due to its applications to science and engineering. However, as ML
techniques have advanced, tools for explaining and visualizing novel ML
algorithms have lagged behind. Animation has been shown to be a powerful tool
for making engaging visualizations of systems that dynamically change over
time, which makes it well suited to the task of communicating ML algorithms.
However, the current approach to animating ML algorithms is to handcraft
applications that highlight specific algorithms or use complex generalized
animation software. We developed ManimML, an open-source Python library for
easily generating animations of ML algorithms directly from code. We sought to
leverage ML practitioners' preexisting knowledge of programming rather than
requiring them to learn complex animation software. ManimML has a familiar
syntax for specifying neural networks that mimics popular deep learning
frameworks like Pytorch. A user can take a preexisting neural network
architecture and easily write a specification for an animation in ManimML,
which will then automatically compose animations for different components of
the system into a final animation of the entire neural network. ManimML is open
source and available at https://github.com/helblazer811/ManimML.
- Abstract（参考訳）: 近年、機械学習(ML)への関心が爆発的に高まっている。
しかし、ML技術が進歩するにつれて、新しいMLアルゴリズムの説明と視覚化ツールが遅れている。
アニメーションは、時間とともに動的に変化するシステムのエンゲージメントな視覚化を実現する強力なツールであることが示されており、MLアルゴリズムの通信タスクに適している。
しかし、MLアルゴリズムをアニメーションする現在のアプローチは、特定のアルゴリズムをハイライトするアプリケーションや複雑な一般化されたアニメーションソフトウェアを使用するハンドクラフトである。
我々は,コードから直接MLアルゴリズムのアニメーションを生成するオープンソースPythonライブラリManimMLを開発した。
我々は,複雑なアニメーションソフトウェアを学習するよりも,ML実践者の既存のプログラミング知識を活用することを試みた。
ManimMLには、Pytorchのような人気のあるディープラーニングフレームワークを模倣するニューラルネットワークを指定するための、よく知られた構文がある。
ユーザは、既存のニューラルネットワークアーキテクチャを使用して、manimmlでアニメーションの仕様を簡単に記述することができ、システムのさまざまなコンポーネントのアニメーションをニューラルネットワーク全体の最終的なアニメーションに自動生成する。
ManimMLはオープンソースでhttps://github.com/helblazer811/ManimMLで入手できる。
関連論文リスト
- Deep Fast Machine Learning Utils: A Python Library for Streamlined Machine Learning Prototyping [0.0]
Deep Fast Machine Learning Utils (DFMLU)ライブラリは、機械学習プロセスのアスペクトを自動化および拡張するために設計されたツールを提供する。
DFMLUはモデル開発とデータ処理をサポートする機能を提供します。
この原稿はDFMLUの機能の概要を示し、各ツールにPythonの例を提供している。
論文 参考訳（メタデータ） (2024-09-14T21:39:17Z) - CMULAB: An Open-Source Framework for Training and Deployment of Natural Language Processing Models [59.91221728187576]
本稿では,NLPモデルのモデル展開と連続的なヒューマン・イン・ザ・ループの微調整を簡単にするオープンソースフレームワークであるCMU言語バックエンドを紹介する。
CMULABは、マルチ言語モデルのパワーを活用して、音声認識、OCR、翻訳、構文解析などの既存のツールを新しい言語に迅速に適応し、拡張することができる。
論文 参考訳（メタデータ） (2024-04-03T02:21:46Z) - Pyreal: A Framework for Interpretable ML Explanations [51.14710806705126]
Pyrealは、さまざまな解釈可能な機械学習説明を生成するシステムである。
Pyrealは、モデルによって期待される機能空間、関連する説明アルゴリズム、および人間のユーザ間でデータと説明を変換する。
我々の研究は、Pyrealが既存のシステムよりも有用な説明を生成することを示した。
論文 参考訳（メタデータ） (2023-12-20T15:04:52Z) - 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) - VRKitchen2.0-IndoorKit: A Tutorial for Augmented Indoor Scene Building
in Omniverse [77.52012928882928]
INDOORKITはNVIDIA OMNIVERSEの組み込みツールキットである。
屋内シーンビルディング、シーンランダム化、アニメーションコントロールのための柔軟なパイプラインを提供する。
論文 参考訳（メタデータ） (2022-06-23T17:53:33Z) - 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) - GEMA: An open-source Python library for self-organizing-maps [1.713291434132985]
本稿では,自己組織化マップ(Self-Organizing-Maps)と呼ばれるニューラルネットワークモデルを扱うために開発された,GEMAと呼ばれるオープンソースのPythonライブラリについて述べる。
ライブラリは特定のユースケースで評価され、正確な結果が得られる。
論文 参考訳（メタデータ） (2022-02-17T10:49:01Z) - Declarative Machine Learning Systems [7.5717114708721045]
機械学習(ML)は、学術的な取り組みから、コンピューティングのほぼすべての側面で採用されている普及した技術へと移行してきた。
近年の自然科学におけるMLの適用の成功により、MLは人類が直面する最も困難な現実世界問題に対処するために利用できることが明らかとなった。
MLシステムの次の波は、おそらくコーディングスキルなしで、より多くの人が同じタスクを実行できると信じています。
論文 参考訳（メタデータ） (2021-07-16T23:57:57Z) - Widening Access to Applied Machine Learning with TinyML [1.1678513163359947]
我々は,Tiny Machine Learning (TinyML)上で,大規模なオープンオンラインコース (MOOC) を通じて応用機械学習 (ML) へのアクセスを増やすための教育的アプローチについて述べる。
この目的のために、学界(ハーバード大学)と産業(Google)の協力により、TinyMLを使ってソリューションを開発するためのアプリケーション指向の指導を提供する4つのMOOCが作成された。
このシリーズは、edX MOOCプラットフォームで公開されており、基本的なプログラミング以上の前提条件がなく、世界中のさまざまなバックグラウンドから学習者向けに設計されている。
論文 参考訳（メタデータ） (2021-06-07T23:31:47Z) - From Things' Modeling Language (ThingML) to Things' Machine Learning
(ThingML2) [4.014524824655106]
我々はThingMLを拡張し、モデリングレベルで機械学習をサポートする。
当社のDSLでは、データ分析を行う責務を負うものを定義することができます。
コードジェネレータはJavaとPythonで完全な実装を自動的に生成できます。
論文 参考訳（メタデータ） (2020-09-22T15:44:57Z) - AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。
汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。
機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文 参考訳（メタデータ） (2020-03-06T19:00:04Z)
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。