論文の概要: TorchCP: A Python Library for Conformal Prediction

• arxiv url: http://arxiv.org/abs/2402.12683v3
• Date: Tue, 15 Jul 2025 11:58:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 15:29:03.469877
• Title: TorchCP: A Python Library for Conformal Prediction
• Title（参考訳）: TorchCP: コンフォーマルな予測のためのPythonライブラリ
• Authors: Jianguo Huang, Jianqing Song, Xuanning Zhou, Bingyi Jing, Hongxin Wei,
• Abstract要約: コンフォーマル予測(CP)は、予測間隔または保証されたカバレッジ確率のセットを生成する頑健な統計フレームワークである。 本稿では、最先端のCPアルゴリズムをディープラーニングタスクに統合するために設計されたPyTorchネイティブライブラリであるTorchCPを紹介する。
• 参考スコア（独自算出の注目度）: 7.1967126772249586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conformal prediction (CP) is a robust statistical framework that generates prediction intervals or sets with guaranteed coverage probability, addressing the challenge of quantifying predictive uncertainty in deep learning. Despite advancements in deep learning architectures and datasets, reliable uncertainty estimation remains elusive, making CP increasingly vital. This paper introduces TorchCP, a PyTorch-native library designed to integrate state-of-the-art CP algorithms into deep learning tasks, including classification, regression, graph neural networks, and large language models. TorchCP offers a comprehensive suite of advanced methodologies, a modular design for easy customization, and full GPU-accelerated scalability. Released under the LGPL-3.0 license, TorchCP has gained widespread adoption with over 12,582 PyPi downloads. It is supported by approximately 16,132 lines of code, 564 unit tests achieving 100\% coverage, and comprehensive documentation. By bridging statistics and computer science, TorchCP empowers researchers and practitioners to advance conformal prediction in diverse deep learning applications.
• Abstract（参考訳）: コンフォーマル予測(CP)は、予測間隔や、保証されたカバレッジ確率のセットを生成する頑健な統計フレームワークであり、ディープラーニングにおける予測の不確実性の定量化という課題に対処する。 ディープラーニングアーキテクチャやデータセットの進歩にもかかわらず、信頼性の高い不確実性推定は依然として解明され、CPはますます重要になっている。 本稿では、最先端のCPアルゴリズムをディープラーニングタスクに統合するために設計されたPyTorchネイティブライブラリであるTorchCPについて紹介する。 TorchCPは、高度な方法論の包括的なスイート、カスタマイズを容易にするモジュール設計、フルGPUアクセラレーションのスケーラビリティを提供する。 LGPL-3.0ライセンスでリリースされたTorchCPは、12,582件のPyPiダウンロードで広く採用されている。 約16,132行のコード、100\%のカバレッジを達成する564のユニットテスト、包括的なドキュメントがサポートされている。 統計学と計算機科学をブリッジすることで、TorchCPは研究者や実践者が多様なディープラーニングアプリケーションにおいて整合予測を前進させることができる。

関連論文リスト

• One Sample is Enough to Make Conformal Prediction Robust [53.78604391939934]
  共形予測は, 1つのランダムな摂動入力に対して前方通過しても, ある程度の堅牢性が得られることを示す。 提案手法は,入力毎に多数のパス(例えば100回程度)を使用するSOTA法と比較して,平均セットサイズが小さいロバストな集合を返す。
  論文  参考訳（メタデータ） (2025-06-19T19:14:25Z)
• 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)
• ml_edm package: a Python toolkit for Machine Learning based Early Decision Making [0.43363943304569713]
  textttml_edmは、時間/シーケンスデータを含む学習タスクの早期決定のために設計されたPython 3ライブラリである。 textttscikit-learnは、textttml_edmと互換性のある推定器とパイプラインを作成する。
  論文  参考訳（メタデータ） (2024-08-23T09:08:17Z)
• depyf: Open the Opaque Box of PyTorch Compiler for Machine Learning Researchers [92.13613958373628]
  textttdepyfは、PyTorchコンパイラの内部動作を復号化するためのツールである。 textttdepyfは、PyTorchが生成したバイトコードを等価なソースコードに逆コンパイルする。
  論文  参考訳（メタデータ） (2024-03-14T16:17:14Z)
• 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)
• UncertaintyPlayground: A Fast and Simplified Python Library for Uncertainty Estimation [0.0]
  UncertaintyPlaygroundはPyTorchとGPyTorch上に構築されたPythonライブラリで、教師付き学習タスクの不確かさを推定する。 このライブラリは、ガウスおよびマルチモーダルな結果分布の高速なトレーニングを提供する。 1つ以上のインスタンスの予測間隔を視覚化することができる。
  論文  参考訳（メタデータ） (2023-10-23T18:36:54Z)
• 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)
• Probabilistically robust conformal prediction [9.401004747930974]
  コンフォーマル予測(CP)は、ディープニューラルネットワークを含む機械学習分類器の不確実性を定量化するフレームワークである。 CPに関する既存の作業のほとんど全てがクリーンなテストデータを前提としており、CPアルゴリズムの堅牢性についてはあまり知られていない。 本稿では,ほとんどの摂動に対して頑健性を保証する確率論的頑健な共形予測(PRCP)の問題について検討する。
  論文  参考訳（メタデータ） (2023-07-31T01:32:06Z)
• 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)
• torchgfn: A PyTorch GFlowNet library [56.071033896777784]
  torchgfnはPyTorchライブラリで、このニーズに対処することを目指している。 環境のためのシンプルなAPIと、サンプルと損失のための有用な抽象化を提供する。
  論文  参考訳（メタデータ） (2023-05-24T00:20:59Z)
• Improving Uncertainty Quantification of Deep Classifiers via Neighborhood Conformal Prediction: Novel Algorithm and Theoretical Analysis [30.0231328500976]
  コンフォーマル予測(CP)は、ディープモデルの不確実性定量化のための原則的枠組みである。 本稿では,不確実性定量化の効率を向上させるため,NCP(Neighborhood Conformal Prediction)と呼ばれる新しいアルゴリズムを提案する。 NCPは従来のCP法よりも予測セットサイズが大幅に小さくなることを示す。
  論文  参考訳（メタデータ） (2023-03-19T15:56:50Z)
• 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)
• MAPIE: an open-source library for distribution-free uncertainty quantification [0.0]
  機械学習モデルの不確実性を定量化する,オープンソースのPythonライブラリであるMAPIEを紹介する。 MAPIEは構造的予測手法を実装しており、不確実性を容易に計算することができる。 scikit-learn-contribでホストされており、完全に「scikit-learn-compatible」である。
  論文  参考訳（メタデータ） (2022-07-25T15:44:19Z)
• PyGOD: A Python Library for Graph Outlier Detection [56.33769221859135]
  PyGODは、グラフデータの外れ値を検出するオープンソースライブラリである。 外れ値検出のための主要なグラフベースのメソッドを幅広くサポートしています。 PyGODはBSD 2-Clauseライセンスの下でhttps://pygod.orgとPython Package Index (PyPI)でリリースされている。
  論文  参考訳（メタデータ） (2022-04-26T06:15:21Z)
• Deepchecks: A Library for Testing and Validating Machine Learning Models and Data [8.876608553825227]
  Deepchecksは、機械学習モデルとデータを包括的に検証するPythonライブラリである。 我々のゴールは、様々な種類の問題に関連する多くのチェックからなる使いやすいライブラリを提供することです。
  論文  参考訳（メタデータ） (2022-03-16T09:37:22Z)
• $\texttt{py-irt}$: A Scalable Item Response Theory Library for Python [3.9828133571463935]
  $textttpy-irt$はBayesian Item Response Theory(IRT)モデルを適合させるPythonライブラリである。 主題や項目の潜在特性を推定し、IRTタスクや理想的なポイントモデルでの使用に適しています。
  論文  参考訳（メタデータ） (2022-03-02T18:09:46Z)
• PyHHMM: A Python Library for Heterogeneous Hidden Markov Models [63.01207205641885]
  PyHHMM は Heterogeneous-Hidden Markov Models (HHMM) のオブジェクト指向Python実装である。 PyHHMMは、異種観測モデル、データ推論の欠如、異なるモデルの順序選択基準、半教師付きトレーニングなど、同様のフレームワークではサポートされない機能を強調している。 PyHHMMは、numpy、scipy、scikit-learn、およびシーボーンPythonパッケージに依存しており、Apache-2.0ライセンスの下で配布されている。
  論文  参考訳（メタデータ） (2022-01-12T07:32:36Z)
• 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)
• PyTorchVideo: A Deep Learning Library for Video Understanding [71.89124881732015]
  PyTorchVideoは、ビデオ理解タスクのためのオープンソースのディープラーニングライブラリである。 マルチモーダルデータローディング、変換、モデルを含む、ビデオ理解ツールのフルスタックをカバーする。 ライブラリはPyTorchをベースにしており、任意のトレーニングフレームワークで使用することができる。
  論文  参考訳（メタデータ） (2021-11-18T18:59:58Z)
• Scikit-dimension: a Python package for intrinsic dimension estimation [58.8599521537]
  この技術ノートは、固有次元推定のためのオープンソースのPythonパッケージであるtextttscikit-dimensionを紹介している。 textttscikit-dimensionパッケージは、Scikit-learnアプリケーションプログラミングインターフェイスに基づいて、既知のID推定子のほとんどを均一に実装する。 パッケージを簡潔に記述し、実生活と合成データにおけるID推定手法の大規模(500以上のデータセット)ベンチマークでその使用を実証する。
  論文  参考訳（メタデータ） (2021-09-06T16:46:38Z)
• QuaPy: A Python-Based Framework for Quantification [76.22817970624875]
  QuaPyは、定量化を行うためのオープンソースのフレームワークである(例えば、教師付き精度推定)。 Pythonで書かれており、pip経由でインストールできる。
  論文  参考訳（メタデータ） (2021-06-18T13:57:11Z)
• 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)
• DoubleML -- An Object-Oriented Implementation of Double Machine Learning in Python [1.4911092205861822]
  DoubleMLはオープンソースのPythonライブラリで、Chernozhukovらのダブル機械学習フレームワークを実装している。 パラメータの推定が機械学習手法に基づく場合、因果パラメータの統計的推測に有効な機能を含む。 このパッケージはMITライセンスで配布されており、科学的なPythonエコシステムのコアライブラリに依存している。
  論文  参考訳（メタデータ） (2021-04-07T16:16:39Z)
• PyHealth: A Python Library for Health Predictive Models [53.848478115284195]
  PyHealthは、医療データ上で様々な予測モデルを開発するためのオープンソースのPythonツールボックスである。 データ前処理モジュールにより、複雑なヘルスケアデータセットを機械学習フレンドリーなフォーマットに変換できます。 予測モデリングモジュールは、確立されたアンサンブルツリーとディープニューラルネットワークベースのアプローチを含む30以上の機械学習モデルを提供します。
  論文  参考訳（メタデータ） (2021-01-11T22:02:08Z)
• 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)
• Uncertainty Sets for Image Classifiers using Conformal Prediction [112.54626392838163]
  本稿では,任意の分類器を修飾して真のラベルを含む予測集合を,90%などのユーザ指定確率で出力するアルゴリズムを提案する。 このアルゴリズムはPlatetスケーリングのようにシンプルで高速だが、すべてのモデルとデータセットに対して正式な有限サンプルカバレッジを保証する。 提案手法は,Plattスケーリング後の可逆クラスの小さなスコアを正規化することにより,より安定した予測セットを与えるために,既存の共形予測アルゴリズムを改良する。
  論文  参考訳（メタデータ） (2020-09-29T17:58:04Z)
• TorchKGE: Knowledge Graph Embedding in Python and PyTorch [0.0]
  TorchKGEは、PyTorchのみに依存する知識グラフ(KG)組み込みのためのPythonモジュールである。 KGデータ構造、単純なモデルインターフェース、ネガティブサンプリングとモデル評価のためのモジュールを備えている。
  論文  参考訳（メタデータ） (2020-09-07T09:21:34Z)
• mvlearn: Multiview Machine Learning in Python [103.55817158943866]
  mvlearnは、主要なマルチビュー機械学習メソッドを実装するPythonライブラリである。 パッケージはPython Package Index(PyPI)とcondaパッケージマネージャからインストールできる。
  論文  参考訳（メタデータ） (2020-05-25T02:35:35Z)
• 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。

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。