Fugu-MT 論文翻訳(概要): nerblackbox: A High-level Library for Named Entity Recognition in Python

論文の概要: nerblackbox: A High-level Library for Named Entity Recognition in Python

arxiv url: http://arxiv.org/abs/2312.04306v1
Date: Thu, 7 Dec 2023 14:04:15 GMT
ステータス: 処理完了
システム内更新日: 2023-12-08 14:56:29.809199
Title: nerblackbox: A High-level Library for Named Entity Recognition in Python
Title（参考訳）: nerblackbox: Pythonで名前付きエンティティ認識のための高レベルライブラリ
Authors: Felix Stollenwerk
Abstract要約: nerblackboxは、名前付きエンティティ認識のための最先端のトランスフォーマーベースのモデルの使用を容易にするピソンライブラリである。多様なソースからデータやモデルにアクセスするための、シンプルだが強力な方法を提供する。 nerblackboxはまた、きめ細かいコントロールと、カスタマイズ可能な機能の豊富なセットを提供する。
参考スコア（独自算出の注目度）: 0.6798775532273751
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present nerblackbox, a python library to facilitate the use of state-of-the-art transformer-based models for named entity recognition. It provides simple-to-use yet powerful methods to access data and models from a wide range of sources, for fully automated model training and evaluation as well as versatile model inference. While many technical challenges are solved and hidden from the user by default, nerblackbox also offers fine-grained control and a rich set of customizable features. It is thus targeted both at application-oriented developers as well as machine learning experts and researchers.
Abstract（参考訳）: 我々は、名前付きエンティティ認識のための最先端トランスフォーマーモデルの使用を容易にするピソンライブラリであるnerblackboxを提案する。汎用的なモデル推論だけでなく、完全に自動化されたモデルトレーニングと評価のために、さまざまなソースからデータやモデルにアクセスするための、シンプルで強力な方法を提供する。多くの技術的課題がデフォルトで解決され、ユーザから隠蔽される一方で、nerblackboxはきめ細かいコントロールと豊富なカスタマイズ可能な機能も提供する。そのため、アプリケーション指向の開発者と、マシンラーニングの専門家と研究者の両方を対象としている。

関連論文リスト

MALPOLON: A Framework for Deep Species Distribution Modeling [3.1457219084519004]
MALPOLONは深部種分布モデル(deep-SDM)の訓練と推測を容易にすることを目的としている Pythonで書かれ、PyTorchライブラリ上に構築されている。このフレームワークはGitHubとPyPiでオープンソース化されている。
論文参考訳（メタデータ） (2024-09-26T17:45:10Z)
Arcee's MergeKit: A Toolkit for Merging Large Language Models [0.6374098147778188]
MergeKitは、任意のハードウェア上でモデルを効率的にマージするためのフレームワークである。これまで、何千ものモデルがオープンソースコミュニティによってマージされてきた。
論文参考訳（メタデータ） (2024-03-20T02:38:01Z)
TrueLearn: A Python Library for Personalised Informational Recommendations with (Implicit) Feedback [4.575111313202425]
この研究は、オンライン学習ベイズモデルのファミリーを含むTrueLearn Pythonライブラリについて説明する。解釈可能性とユーザ制御のために、TrueLearnライブラリにはさまざまな表現が含まれており、エンドユーザーが学習者のモデルを視覚化するのに役立つ。
論文参考訳（メタデータ） (2023-09-20T07:21:50Z)
DREAM: Domain-free Reverse Engineering Attributes of Black-box Model [51.37041886352823]
ブラックボックス対象モデルの属性をドメインに依存しないリバースエンジニアリングの新しい問題を提案する。対象のブラックボックスモデルの属性を未知のトレーニングデータで推測するために,ドメインに依存しないモデルを学ぶ。
論文参考訳（メタデータ） (2023-07-20T16:25:58Z)
Stop overkilling simple tasks with black-box models and use transparent models instead [57.42190785269343]
ディープラーニングアプローチは、生データから自律的に機能を抽出することができる。これにより、機能エンジニアリングプロセスをバイパスすることができる。ディープラーニング戦略は、しばしば精度で従来のモデルより優れている。
論文参考訳（メタデータ） (2023-02-06T14:28:49Z)
MEESO: A Multi-objective End-to-End Self-Optimized Approach for Automatically Building Deep Learning Models [0.0]
本稿では,ディープラーニングモデルの自動構築のためのエンドツーエンドの自己最適化手法を提案する。我々のアルゴリズムは、最先端のアプローチと比較して、様々な競合モデルを発見することができる。
論文参考訳（メタデータ） (2022-11-20T09:36:13Z)
ALBench: A Framework for Evaluating Active Learning in Object Detection [102.81795062493536]
本稿では、オブジェクト検出におけるアクティブラーニングを評価するために、ALBenchという名前のアクティブラーニングベンチマークフレームワークをコントリビュートする。自動深層モデルトレーニングシステム上で開発されたこのALBenchフレームワークは、使いやすく、さまざまなアクティブな学習アルゴリズムと互換性があり、同じトレーニングおよびテストプロトコルを保証する。
論文参考訳（メタデータ） (2022-07-27T07:46:23Z)
Visualising Deep Network's Time-Series Representations [93.73198973454944]
機械学習モデルの普及にもかかわらず、多くの場合、モデルの内部で起きていることに関する洞察のないブラックボックスとして運用される。本稿では,多次元時系列データの可視化に着目し,この問題に対処する手法を提案する。高周波在庫市場データセットの実験は、この方法が迅速かつ識別可能な可視化を提供することを示しています。
論文参考訳（メタデータ） (2021-03-12T09:53:34Z)
dalex: Responsible Machine Learning with Interactive Explainability and Fairness in Python [2.4464094050168446]
対話型モデル探索のためのモデル非依存インターフェースを実装したPythonパッケージであるdalexを紹介する。このライブラリのソースコードとドキュメントは、https:// python.drwhy.ai/ のオープンライセンスで入手できる。
論文参考訳（メタデータ） (2020-12-28T18:39:59Z)
Federated Learning of User Authentication Models [69.93965074814292]
機械学習モデルのプライバシー保護のためのフレームワークであるFederated User Authentication (FedUA)を提案する。 FedUAは、フェデレートされた学習フレームワークを採用して、ユーザが生の入力を共有することなく、共同でモデルをトレーニングできるようにする。提案手法はプライバシ保護であり,多数のユーザに対してスケーラブルであることを示し,出力層を変更することなく,新たなユーザをトレーニングに追加できるようにした。
論文参考訳（メタデータ） (2020-07-09T08:04:38Z)
Posterior Control of Blackbox Generation [126.33511630879713]
我々は、構造化潜在変数アプローチにより学習した離散制御状態を持つニューラルジェネレーションモデルの拡張を検討する。この手法は標準ベンチマークよりも改善され、きめ細かい制御も可能である。
論文参考訳（メタデータ） (2020-05-10T03:22:45Z)

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。