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

• MIREncoder: Multi-modal IR-based Pretrained Embeddings for Performance Optimizations [6.919817502555546]
  本稿では,Multi-modal IRベースのオートエンコーダであるMIREncoderを提案する。 マルチモーダルなアプローチにより、コンパイル可能なプログラムからより優れた特徴を抽出できる。 評価の結果,提案手法はオーバヘッドを低減しつつ,技術状況より優れることが示された。
  論文  参考訳（メタデータ） (2024-07-02T13:00:19Z)
• Online Adaptation of Language Models with a Memory of Amortized Contexts [82.02369596879817]
  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。 MACとMACを組み合わせれば,検索の高速化など,一般的な代替手段の性能が向上することを示す。
  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)
• 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)
• PyRelationAL: a python library for active learning research and development [1.0061110876649197]
  アクティブラーニング(英: Active Learning, AL)は、反復的かつ経済的にデータを取得する手法の開発に焦点を当てたMLのサブフィールドである。 本稿では,AL研究のためのオープンソースライブラリであるPyRelationALを紹介する。 プールベースのアクティブラーニング戦略を構成するための2段階の設計方法論をベースとしたモジュラーツールキットについて述べる。
  論文  参考訳（メタデータ） (2022-05-23T08:21:21Z)
• MRCpy: A Library for Minimax Risk Classifiers [10.380882297891272]
  PythonライブラリであるMRCpyは、ロバストリスク最小化(RRM)アプローチに基づいて、ミニマックスリスク分類器(MRC)を実装している。 MRCpyは、Scikit-learnのような人気のあるPythonライブラリの標準に従い、可読性と使いやすさと、他のライブラリとのシームレスな統合を容易にする。
  論文  参考訳（メタデータ） (2021-08-04T10:31:20Z)
• 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)
• 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。