Fugu-MT 論文翻訳(概要): LINFA: a Python library for variational inference with normalizing flow and annealing

論文の概要: LINFA: a Python library for variational inference with normalizing flow and annealing

arxiv url: http://arxiv.org/abs/2307.04675v2
Date: Fri, 14 Jul 2023 06:40:36 GMT
ステータス: 処理完了
システム内更新日: 2023-07-17 16:21:22.353941
Title: LINFA: a Python library for variational inference with normalizing flow and annealing
Title（参考訳）: LINFA: フローとアニールの正規化を伴う変分推論のためのPythonライブラリ
Authors: Yu Wang, Emma R. Cobian, Jubilee Lee, Fang Liu, Jonathan D. Hauenstein and Daniele E. Schiavazzi
Abstract要約: 変分推論のためのPythonライブラリであるLINFAを開発した。様々なベンチマークにおいて,LINFAの理論的背景,能力,性能について論じる。
参考スコア（独自算出の注目度）: 4.905945821846391
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Variational inference is an increasingly popular method in statistics and machine learning for approximating probability distributions. We developed LINFA (Library for Inference with Normalizing Flow and Annealing), a Python library for variational inference to accommodate computationally expensive models and difficult-to-sample distributions with dependent parameters. We discuss the theoretical background, capabilities, and performance of LINFA in various benchmarks. LINFA is publicly available on GitHub at https://github.com/desResLab/LINFA.
Abstract（参考訳）: 変分推論は確率分布を近似する統計学や機械学習において、ますます普及している手法である。 LINFA (Library for Inference with Normalizing Flow and Annealing) は,計算コストのかかるモデルや,依存パラメータを持つ難しい分布に対応するPythonライブラリである。様々なベンチマークにおいて,LINFAの理論的背景,能力,性能について論じる。 LINFAはGitHubでhttps://github.com/desResLab/LINFAで公開されている。

関連論文リスト

Mixture-Models: a one-stop Python Library for Model-based Clustering using various Mixture Models [4.60168321737677]
textttMixture-Modelsは、Gaussian Mixture Models(GMM)とその変種を適合させるオープンソースのPythonライブラリである。様々な第1/第2次最適化ルーチンを使用して、これらのモデルの実装と分析を合理化する。このライブラリは、BIC、AIC、ログライクな推定など、ユーザフレンドリーなモデル評価ツールを提供する。
論文参考訳（メタデータ） (2024-02-08T19:34:24Z)
eipy: An Open-Source Python Package for Multi-modal Data Integration using Heterogeneous Ensembles [3.465746303617158]
eipyはオープンソースのPythonパッケージで、分類のための効果的なマルチモーダルなヘテロジニアスアンサンブルを開発する。データ統合と予測モデリングメソッドの比較と選択のための厳格でユーザフレンドリなフレームワークを提供する。
論文参考訳（メタデータ） (2024-01-17T20:07:47Z)
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)
Content Popularity Prediction Based on Quantized Federated Bayesian Learning in Fog Radio Access Networks [76.16527095195893]
キャッシュ可能なフォグラジオアクセスネットワーク(F-RAN)におけるコンテンツ人気予測問題について検討する。そこで本研究では,コンテンツ要求パターンをモデル化するためのガウス過程に基づく回帰器を提案する。我々はベイズ学習を利用してモデルパラメータを訓練する。
論文参考訳（メタデータ） (2022-06-23T03:05:12Z)
Pythae: Unifying Generative Autoencoders in Python -- A Benchmarking Use Case [0.0]
我々はPythaeについて紹介する。Pythaeは多種多様なオープンソースPythonライブラリで、生成オートエンコーダモデルの単純で再現性があり、信頼性の高い利用を提供する。本稿では、下流タスクにおける主な改善点として、19の生成オートエンコーダモデルを紹介し、比較する。
論文参考訳（メタデータ） (2022-06-16T17:11:41Z)
DADApy: Distance-based Analysis of DAta-manifolds in Python [51.37841707191944]
DADApyは、高次元データの分析と特徴付けのためのピソンソフトウェアパッケージである。固有次元と確率密度を推定し、密度に基づくクラスタリングを行い、異なる距離メトリクスを比較する方法を提供する。
論文参考訳（メタデータ） (2022-05-04T08:41:59Z)
Continual Inference: A Library for Efficient Online Inference with Deep Neural Networks in PyTorch [97.03321382630975]
Continual Inferenceは、PyTorchでContinuous Inference Networks(CIN)を実装するPythonライブラリである。我々は、CINとその実装を包括的に紹介し、現代のディープラーニングのための複雑なモジュールを構成するためのベストプラクティスとコード例を提供します。
論文参考訳（メタデータ） (2022-04-07T13:03:09Z)
PyHHMM: A Python Library for Heterogeneous Hidden Markov Models [63.01207205641885]
PyHHMM は Heterogeneous-Hidden Markov Models (HHMM) のオブジェクト指向Python実装である。 PyHHMMは、異種観測モデル、データ推論の欠如、異なるモデルの順序選択基準、半教師付きトレーニングなど、同様のフレームワークではサポートされない機能を強調している。 PyHHMMは、numpy、scipy、scikit-learn、およびシーボーンPythonパッケージに依存しており、Apache-2.0ライセンスの下で配布されている。
論文参考訳（メタデータ） (2022-01-12T07:32:36Z)
Predict then Interpolate: A Simple Algorithm to Learn Stable Classifiers [59.06169363181417]
Predict then Interpolate (PI) は環境全体にわたって安定な相関関係を学習するためのアルゴリズムである。正しい予測と間違った予測の分布を補間することにより、不安定な相関が消えるオラクル分布を明らかにすることができる。
論文参考訳（メタデータ） (2021-05-26T15:37:48Z)
DoubleML -- An Object-Oriented Implementation of Double Machine Learning in Python [1.4911092205861822]
DoubleMLはオープンソースのPythonライブラリで、Chernozhukovらのダブル機械学習フレームワークを実装している。パラメータの推定が機械学習手法に基づく場合、因果パラメータの統計的推測に有効な機能を含む。このパッケージはMITライセンスで配布されており、科学的なPythonエコシステムのコアライブラリに依存している。
論文参考訳（メタデータ） (2021-04-07T16:16:39Z)
Parameter Space Factorization for Zero-Shot Learning across Tasks and Languages [112.65994041398481]
本稿では,ニューラルパラメータの空間に対するベイズ生成モデルを提案する。タスク言語の組み合わせから得られたデータに基づいて、そのような潜伏変数よりも後部を推測する。我々のモデルは、最先端のゼロショットの言語間転送手法よりも、同等か良い結果が得られる。
論文参考訳（メタデータ） (2020-01-30T16:58:56Z)

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。