Fugu-MT 論文翻訳(概要): TorchCP: A Library for Conformal Prediction based on PyTorch

論文の概要: TorchCP: A Library for Conformal Prediction based on PyTorch

arxiv url: http://arxiv.org/abs/2402.12683v1
Date: Tue, 20 Feb 2024 03:14:47 GMT
ステータス: 処理完了
システム内更新日: 2024-02-21 17:22:26.902949
Title: TorchCP: A Library for Conformal Prediction based on PyTorch
Title（参考訳）: TorchCP: PyTorchに基づいたコンフォーマル予測ライブラリ
Authors: Hongxin Wei, Jianguo Huang
Abstract要約: TorchCPは、ディープラーニングモデルに関する共形予測研究のためのPythonツールボックスである。ポストホックの様々な実装と、分類および回帰タスクの訓練方法を含んでいる。
参考スコア（独自算出の注目度）: 9.295285907724672
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: TorchCP is a Python toolbox for conformal prediction research on deep learning models. It contains various implementations for posthoc and training methods for classification and regression tasks (including multi-dimension output). TorchCP is built on PyTorch (Paszke et al., 2019) and leverages the advantages of matrix computation to provide concise and efficient inference implementations. The code is licensed under the LGPL license and is open-sourced at $\href{https://github.com/ml-stat-Sustech/TorchCP}{\text{this https URL}}$.
Abstract（参考訳）: TorchCPは、ディープラーニングモデルに関する共形予測研究のためのPythonツールボックスである。ポストホックの様々な実装と、分類および回帰タスク(多次元出力を含む)の訓練方法を含んでいる。 TorchCP は PyTorch (Paszke et al., 2019) 上に構築されており、行列計算の利点を活用して、簡潔で効率的な推論実装を提供する。このコードはLGPLライセンスでライセンスされており、$\href{https://github.com/ml-stat-Sustech/TorchCP}{\text{this https URL}}$でオープンソース化されている。

関連論文リスト

TorchQC -- A framework for efficiently integrating machine and deep learning methods in quantum dynamics and control [0.0]
TorchQCはPythonで完全に書かれた新しいライブラリで、PyTorchディープラーニングライブラリをベースとしている。 PyTorchとそのテンソル機構を利用して量子状態と演算子をテンソルとして表現し、量子系の力学をシミュレートするために必要なすべてのツールも組み込んでいる。
論文参考訳（メタデータ） (2024-12-19T07:19:55Z)
sQUlearn -- A Python Library for Quantum Machine Learning [0.0]
sQUlearnが量子機械学習(QML)用のNISQ対応Pythonライブラリを導入図書館の二重層アーキテクチャはQML研究者と実践者の両方に役立っている。
論文参考訳（メタデータ） (2023-11-15T14:22:53Z)
PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [65.57123249246358]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文参考訳（メタデータ） (2023-09-13T17:55:11Z)
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)
PyPOTS: A Python Toolbox for Data Mining on Partially-Observed Time Series [0.0]
PyPOTSは、部分的に保存された時系列のデータマイニングと分析に特化した、オープンソースのPythonライブラリである。これは、計算、分類、クラスタリング、予測の4つのタスクに分類される多様なアルゴリズムに容易にアクセスできる。
論文参考訳（メタデータ） (2023-05-30T07:57:05Z)
Partitioning Distributed Compute Jobs with Reinforcement Learning and Graph Neural Networks [58.720142291102135]
大規模な機械学習モデルは、幅広い分野に進歩をもたらしている。これらのモデルの多くは、単一のマシンでトレーニングするには大きすぎるため、複数のデバイスに分散する必要がある。スループットやブロッキングレートといったユーザクリティカルな指標に対して,並列化の最大化が準最適であることを示す。
論文参考訳（メタデータ） (2023-01-31T17:41:07Z)
Latte: Cross-framework Python Package for Evaluation of Latent-Based Generative Models [65.51757376525798]
Latteは、潜伏型生成モデルを評価するためのPythonライブラリである。 LatteはPyTorchと/Kerasの両方と互換性があり、関数型APIとモジュール型APIの両方を提供する。
論文参考訳（メタデータ） (2021-12-20T16:00:28Z)
CREPO: An Open Repository to Benchmark Credal Network Algorithms [78.79752265884109]
クレダルネットワークは、確率質量関数の集合であるクレダルに基づく不正確な確率的グラフィカルモデルである。 CREMAと呼ばれるJavaライブラリが最近リリースされ、クレダルネットワークをモデル化し、処理し、クエリする。我々は,これらのモデル上での推論タスクの正確な結果とともに,合成クレダルネットワークのオープンリポジトリであるcrrepoを提案する。
論文参考訳（メタデータ） (2021-05-10T07:31:59Z)
OpTorch: Optimized deep learning architectures for resource limited environments [1.5736899098702972]
時間や記憶など多面的に最適化された深層学習パイプラインを提案します。 OpTorchは、ニューラルネットワークトレーニングの既存の実装の弱点を克服するために設計された機械学習ライブラリである。
論文参考訳（メタデータ） (2021-05-03T03:58:57Z)
PyLightcurve-torch: a transit modelling package for deep learning applications in PyTorch [0.0]
我々はPyLightcurveとPyTorchをベースにした新しいオープンソースpythonパッケージを提案する。効率的な計算と外惑星トランジットの自動分化のために調整されている。
論文参考訳（メタデータ） (2020-11-03T22:05:41Z)
MOGPTK: The Multi-Output Gaussian Process Toolkit [71.08576457371433]
ガウス過程(GP)を用いたマルチチャネルデータモデリングのためのPythonパッケージMOGPTKを提案する。このツールキットの目的は、研究者、データサイエンティスト、実践者にもMOGP(multi-output GP)モデルを利用できるようにすることである。
論文参考訳（メタデータ） (2020-02-09T23:34:49Z)

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。