論文の概要: cmaes : A Simple yet Practical Python Library for CMA-ES
- arxiv url: http://arxiv.org/abs/2402.01373v1
- Date: Fri, 2 Feb 2024 12:55:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-05 15:28:23.082067
- Title: cmaes : A Simple yet Practical Python Library for CMA-ES
- Title(参考訳): cmaes : CMA-ESのためのシンプルで実用的なPythonライブラリ
- Authors: Masahiro Nomura, Masashi Shibata
- Abstract要約: cmaesは共分散行列適応進化戦略(CMA-ES)のためのPythonライブラリである
cmaesはシンプルさを特徴とし、直感的な使い勝手と高いコード読みやすさを提供する。
CMA-ESの最近の進歩には、挑戦的なシナリオの学習率適応、移行学習、混合整数最適化機能などが含まれている。
- 参考スコア(独自算出の注目度): 3.8834605840347667
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The covariance matrix adaptation evolution strategy (CMA-ES) has been highly
effective in black-box continuous optimization, as demonstrated by its success
in both benchmark problems and various real-world applications. To address the
need for an accessible yet potent tool in this domain, we developed cmaes, a
simple and practical Python library for CMA-ES. cmaes is characterized by its
simplicity, offering intuitive use and high code readability. This makes it
suitable for quickly using CMA-ES, as well as for educational purposes and
seamless integration into other libraries. Despite its simplistic design, cmaes
maintains enhanced functionality. It incorporates recent advancements in
CMA-ES, such as learning rate adaptation for challenging scenarios, transfer
learning, and mixed-integer optimization capabilities. These advanced features
are accessible through a user-friendly API, ensuring that cmaes can be easily
adopted in practical applications. We regard cmaes as the first choice for a
Python CMA-ES library among practitioners. The software is available under the
MIT license at https://github.com/CyberAgentAILab/cmaes.
- Abstract(参考訳): 共分散行列適応進化戦略 (CMA-ES) は、ベンチマーク問題と実世界の様々な応用において成功し、ブラックボックス連続最適化において非常に効果的である。
このドメインでアクセス可能で強力なツールの必要性に対処するため、私たちはcma-es用のシンプルで実用的なpythonライブラリであるcmaesを開発しました。
cmaesの特徴は単純で直感的な使いやすさと高いコード読みやすさである。
これにより、CMA-ESの迅速な使用、教育目的、他のライブラリへのシームレスな統合に適している。
簡素な設計にもかかわらず、cmaesは機能拡張を維持している。
CMA-ESの最近の進歩には、挑戦的なシナリオの学習率適応、移行学習、混合整数最適化機能などがある。
これらの高度な機能は、ユーザフレンドリなAPIを通じてアクセス可能で、cmaesが実用的なアプリケーションで簡単に採用できるようにする。
cmaesはPython CMA-ESライブラリの最初の選択肢だと考えている。
このソフトウェアはMITライセンスでhttps://github.com/CyberAgentAILab/cmaesで入手できる。
関連論文リスト
- Online Adaptation of Language Models with a Memory of Amortized Contexts [86.91360597169563]
MAC(Memory of Amortized Contexts)は、大規模言語モデルのための効率的かつ効果的なオンライン適応フレームワークである。
本稿では,新しい文書から情報を圧縮・抽出するメモリ拡張手法を提案する。
実験では,オンライン適応性能,時間,メモリ効率など,MACの複数の面での優位性を実証した。
論文 参考訳(メタデータ) (2024-03-07T08:34:57Z) - Executable Code Actions Elicit Better LLM Agents [76.95566120678787]
この研究は、Pythonコードを使用して、Large Language Model(LLM)エージェントのアクションを統一されたアクション空間(CodeAct)に統合することを提案する。
Pythonインタプリタと統合されたCodeActは、コードアクションを実行し、事前アクションを動的に修正したり、マルチターンインタラクションを通じて新しい観察に新しいアクションを発行することができる。
CodeActのパフォーマンス向上は、解釈可能なコードを実行し、自然言語を使ってユーザとコラボレーションすることで、環境と対話するオープンソースのLLMエージェントを構築する動機となります。
論文 参考訳(メタデータ) (2024-02-01T21:38:58Z) - CoLLiE: Collaborative Training of Large Language Models in an Efficient
Way [59.09824823710863]
CoLLiEは、大規模な言語モデルの協調トレーニングを容易にする効率的なライブラリである。
モジュール設計と包括的な機能により、CoLLiEは効率性、使いやすさ、カスタマイズのバランスのとれたブレンドを提供する。
論文 参考訳(メタデータ) (2023-12-01T08:02:16Z) - A Joint Python/C++ Library for Efficient yet Accessible Black-Box and
Gray-Box Optimization with GOMEA [0.0]
GOMEAライブラリを導入し、Python経由でC++で既存のGOMEAコードをアクセスできるようにする。
グレーボックス最適化(GBO)とブラックボックス最適化(BBO)の両方でその性能を示す。
論文 参考訳(メタデータ) (2023-05-10T15:28:31Z) - 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) - TransPimLib: A Library for Efficient Transcendental Functions on
Processing-in-Memory Systems [8.440839526313797]
三角関数,双曲関数,指数,対数,平方根などに対する CORDIC および LUT に基づく手法を提供するライブラリである emphTransPimLib について述べる。
UPMEM PIMアーキテクチャのためのTransPimLibの実装を開発し、性能と精度の観点からTransPimLibの手法を徹底的に評価する。
論文 参考訳(メタデータ) (2023-04-03T12:41:46Z) - CMML: Contextual Modulation Meta Learning for Cold-Start Recommendation [27.10619426913709]
CMML(Contextal Modulation Meta Learning)と呼ばれる推薦フレームワークを提案する。
CMMLは完全なフィードフォワード操作で構成されており、計算効率が良く、主要な産業展開と完全に互換性がある。
実世界の様々なデータセット上で,シナリオ固有の設定とユーザ固有のコールドスタート設定の両方にアプローチを検証する。
論文 参考訳(メタデータ) (2021-08-24T03:45:43Z) - Small-Text: Active Learning for Text Classification in Python [23.87081733039124]
small-textはPython用の使いやすいアクティブラーニングライブラリである。
シングルラベルとマルチラベルのテキスト分類のためのプールベースのアクティブラーニングを提供する。
論文 参考訳(メタデータ) (2021-07-21T19:23:56Z) - Meta-Learning with Adaptive Hyperparameters [55.182841228303225]
我々は、MAMLフレームワークの補完的要素、インナーループ最適化(あるいは高速適応)に焦点を当てる。
高速適応プロセスを大幅に向上させる新しい重み更新ルールを提案する。
論文 参考訳(メタデータ) (2020-10-31T08:05:34Z) - fastai: A Layered API for Deep Learning [1.7223564681760164]
fastaiは、実践者に高度なコンポーネントを提供するディープラーニングライブラリである。
これは研究者に、新しいアプローチを構築するために混在し、マッチできる低レベルのコンポーネントを提供する。
論文 参考訳(メタデータ) (2020-02-11T21:16:48Z) - OPFython: A Python-Inspired Optimum-Path Forest Classifier [68.8204255655161]
本稿では,OPFythonと表記されるPythonベースのOptimum-Path Forestフレームワークを提案する。
OPFythonはPythonベースのライブラリなので、C言語よりもフレンドリーな環境とプロトタイピングの作業スペースを提供する。
論文 参考訳(メタデータ) (2020-01-28T15:46:19Z)
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。