論文の概要: SMLP: Symbolic Machine Learning Prover
- arxiv url: http://arxiv.org/abs/2402.01415v1
- Date: Fri, 2 Feb 2024 13:53:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-05 15:01:34.658329
- Title: SMLP: Symbolic Machine Learning Prover
- Title（参考訳）: SMLP:シンボリック機械学習プロバー
- Authors: Franz Brau{\ss}e, Zurab Khasidashvili, Konstantin Korovin
- Abstract要約: シンボリック・機械学習・プロバー(Sybolic Machine Learning Prover, P)は、複数の入力ベクトル上でシステムをシミュレートまたは実行することによって得られるデータサンプルに基づくシステム探索ツールである。
SMLPは、グレーボックスアプローチを採用することで、このデータに基づいてシステムを探索することを目的としている。
インテルの産業環境では、アナログレベルでのハードウェア設計の分析と最適化に採用されている。
- 参考スコア（独自算出の注目度）: 2.7624021966289605
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Symbolic Machine Learning Prover (SMLP) is a tool and a library for system
exploration based on data samples obtained by simulating or executing the
system on a number of input vectors. SMLP aims at exploring the system based on
this data by taking a grey-box approach: SMLP combines statistical methods of
data exploration with building and exploring machine learning models in close
feedback loop with the system's response, and exploring these models by
combining probabilistic and formal methods. SMLP has been applied in industrial
setting at Intel for analyzing and optimizing hardware designs at the analog
level. SMLP is a general purpose tool and can be applied to systems that can be
sampled and modeled by machine learning models.
- Abstract（参考訳）: Symbolic Machine Learning Prover (SMLP) は、複数の入力ベクトル上でシステムをシミュレートまたは実行することによって得られたデータサンプルに基づくシステム探索のためのツールおよびライブラリである。
smlpは、統計的なデータ探索の手法と、緊密なフィードバックループにおける機械学習モデルの構築と探索をシステムの応答と組み合わせ、確率的手法と形式的手法を組み合わせることによって、これらのモデルを探索することを目的としています。
smlpは、アナログレベルでハードウェア設計を分析および最適化するためにintelの産業環境で適用されている。
SMLPは汎用ツールであり、機械学習モデルによってサンプル化およびモデル化できるシステムに適用することができる。
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) - LLM-Select: Feature Selection with Large Language Models [64.5099482021597]
大規模言語モデル(LLM)は、データサイエンスの標準ツールに匹敵するパフォーマンスで、最も予測可能な機能を選択することができる。
以上の結果から,LSMはトレーニングに最適な機能を選択するだけでなく,そもそもどの機能を収集すべきかを判断する上でも有用である可能性が示唆された。
論文 参考訳（メタデータ） (2024-07-02T22:23:40Z) - SMLP: Symbolic Machine Learning Prover (User Manual) [3.686808512438363]
Symbolic Machine Learning Proverは、機械学習モデルで表されるシステムの探索と最適化のためのオープンソースツールである。
SMLPは、検証と制約の下でMLモデルの探索と最適化にシンボリック推論を使用する。
論文 参考訳（メタデータ） (2024-05-16T16:05:21Z) - Towards MLOps: A DevOps Tools Recommender System for Machine Learning
System [1.065497990128313]
MLOpsと機械学習システムは、要求の従来のシステムとは異なり、新しいデータで進化する。
本稿では,コンテキスト情報を処理するレコメンデーションシステムのためのフレームワークを提案する。
ルールベース,無作為林,決定木およびk-アネレスト近傍の4つの異なるアプローチについて検討した。
論文 参考訳（メタデータ） (2024-02-20T09:57:49Z) - Evaluating and Explaining Large Language Models for Code Using Syntactic
Structures [74.93762031957883]
本稿では,コード用大規模言語モデルに特有の説明可能性手法であるASTxplainerを紹介する。
その中核にあるASTxplainerは、トークン予測をASTノードに整合させる自動メソッドを提供する。
私たちは、最も人気のあるGitHubプロジェクトのキュレートデータセットを使用して、コード用の12の人気のあるLLMに対して、実証的な評価を行います。
論文 参考訳（メタデータ） (2023-08-07T18:50:57Z) - Language models are weak learners [71.33837923104808]
本研究では,プロンプトベースの大規模言語モデルは弱い学習者として効果的に動作可能であることを示す。
これらのモデルをブースティングアプローチに組み込むことで、モデル内の知識を活用して、従来のツリーベースのブースティングよりも優れています。
結果は、プロンプトベースのLLMが、少数の学習者だけでなく、より大きな機械学習パイプラインのコンポーネントとして機能する可能性を示している。
論文 参考訳（メタデータ） (2023-06-25T02:39:19Z) - Provably Efficient Representation Learning with Tractable Planning in
Low-Rank POMDP [81.00800920928621]
部分的に観測可能なマルコフ決定過程(POMDP)における表現学習の研究
まず,不確実性(OFU)に直面した最大推定(MLE)と楽観性を組み合わせた復調性POMDPのアルゴリズムを提案する。
次に、このアルゴリズムをより広範な$gamma$-observable POMDPのクラスで機能させる方法を示す。
論文 参考訳（メタデータ） (2023-06-21T16:04:03Z) - CodeGen2: Lessons for Training LLMs on Programming and Natural Languages [116.74407069443895]
我々はエンコーダとデコーダベースのモデルを単一のプレフィックスLMに統一する。
学習方法は,「フリーランチ」仮説の主張を考察する。
データ配信においては,混合分布と多言語学習がモデル性能に及ぼす影響について検討した。
論文 参考訳（メタデータ） (2023-05-03T17:55:25Z) - MLMOD: Machine Learning Methods for Data-Driven Modeling in LAMMPS [0.0]
マイクロスケール力学と分子動力学を特徴付けるためのプロトタイプC++/Pythonパッケージを提案する。
このパッケージは、現在、メソモッドおよび分子動力学シミュレーションパッケージLAMMPSとPyTorchと統合されている。
論文 参考訳（メタデータ） (2021-07-29T22:55:26Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳（メタデータ） (2020-08-10T06:07:52Z) - Using Machine Learning to Emulate Agent-Based Simulations [0.0]
エージェントベースモデル(ABM)解析に用いる統計エミュレータとして,複数の機械学習手法の性能評価を行った。
エージェントベースのモデリングは、モデルに対するより堅牢な感度解析を容易にするため、エミュレーションに機械学習を用いる利点がある。
論文 参考訳（メタデータ） (2020-05-05T11:48:36Z)
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。