論文の概要: MLXP: A framework for conducting replicable Machine Learning eXperiments
in Python
- arxiv url: http://arxiv.org/abs/2402.13831v1
- Date: Wed, 21 Feb 2024 14:22:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-22 15:08:20.619054
- Title: MLXP: A framework for conducting replicable Machine Learning eXperiments
in Python
- Title(参考訳): MLXP: Pythonで複製可能な機械学習eXperimentsを実行するフレームワーク
- Authors: Michael Arbel, Alexandre Zouaoui
- Abstract要約: MLXPはPythonをベースとした,オープンソースの,シンプルで,軽量な実験管理ツールである。
実験プロセスを最小限のオーバーヘッドで合理化し、高いレベルの実践的オーバーヘッドを確保します。
- 参考スコア(独自算出の注目度): 71.22547130430371
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Replicability in machine learning (ML) research is increasingly concerning
due to the utilization of complex non-deterministic algorithms and the
dependence on numerous hyper-parameter choices, such as model architecture and
training datasets. Ensuring reproducible and replicable results is crucial for
advancing the field, yet often requires significant technical effort to conduct
systematic and well-organized experiments that yield robust conclusions.
Several tools have been developed to facilitate experiment management and
enhance reproducibility; however, they often introduce complexity that hinders
adoption within the research community, despite being well-handled in
industrial settings. To address the challenge of low adoption, we propose MLXP,
an open-source, simple, and lightweight experiment management tool based on
Python, available at https://github.com/inria-thoth/mlxp . MLXP streamlines the
experimental process with minimal practitioner overhead while ensuring a high
level of reproducibility.
- Abstract(参考訳): 機械学習(ML)研究の再現性は、複雑な非決定論的アルゴリズムの利用と、モデルアーキテクチャやトレーニングデータセットなどの多くのハイパーパラメータ選択への依存により、ますます懸念されている。
再現性と複製性のある結果の確保は、この分野を前進させるには不可欠であるが、堅牢な結論を得るための体系的かつよく組織された実験を行うためには、重要な技術的努力を必要とすることが多い。
実験管理と再現性を高めるためにいくつかのツールが開発されているが、工業環境ではうまく処理されているにもかかわらず、研究コミュニティでは採用を妨げる複雑さがしばしば導入されている。
低採用の課題に対処するため、オープンソースでシンプルで軽量なPythonベースの実験管理ツールであるMLXPがhttps://github.com/inria-thoth/mlxp で公開されている。
MLXPは、高い再現性を確保しながら、最小限のオーバーヘッドで実験プロセスを合理化します。
関連論文リスト
- Julearn: an easy-to-use library for leakage-free evaluation and
inspection of ML models [0.23301643766310373]
我々は、Julearnの設計の背景にある理論的根拠と、その中核となる特徴を提示し、以前に公表された研究プロジェクトの3つの例を示す。
Julearnは、最も一般的なMLの落とし穴に対して、ガードを組み込んだ使いやすい環境を提供することで、機械学習の世界への参入を単純化することを目指している。
論文 参考訳(メタデータ) (2023-10-19T08:21:12Z) - Human Comprehensible Active Learning of Genome-Scale Metabolic Networks [7.838090421892651]
仮説空間を効率的に探索し、実験設計を導く、理解可能な機械学習アプローチが緊急に必要である。
Inductive Logic Programming (ILP) に基づく新しい機械学習フレームワーク ILP-iML1515 を提案する。
ILP-iML1515はゲノムスケールの代謝モデルの理解可能な論理的表現に基づいて構築されており、補助栄養変異体試験から新しい論理構造を学習することでモデルを更新することができる。
論文 参考訳(メタデータ) (2023-08-24T12:42:00Z) - Closing the loop: Autonomous experiments enabled by
machine-learning-based online data analysis in synchrotron beamline
environments [80.49514665620008]
機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。
本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。
本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
論文 参考訳(メタデータ) (2023-06-20T21:21:19Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-03T06:19:20Z) - Hindsight States: Blending Sim and Real Task Elements for Efficient
Reinforcement Learning [61.3506230781327]
ロボット工学では、第一原理から導かれた力学モデルに基づくシミュレーションに基づいて、トレーニングデータを生成する方法がある。
ここでは、力学の複雑さの不均衡を利用して、より標本効率のよい学習を行う。
提案手法をいくつかの課題に対して検証し,既存の近視アルゴリズムと組み合わせた場合の学習改善を実証する。
論文 参考訳(メタデータ) (2023-03-03T21:55:04Z) - PyExperimenter: Easily distribute experiments and track results [63.871474825689134]
PyExperimenterは、アルゴリズムの実験的な研究結果のセットアップ、ドキュメンテーション、実行、およびその後の評価を容易にするツールである。
人工知能の分野で研究者が使用することを意図しているが、それらに限定されていない。
論文 参考訳(メタデータ) (2023-01-16T10:43:02Z) - schlably: A Python Framework for Deep Reinforcement Learning Based
Scheduling Experiments [0.3441021278275805]
schlablyはPythonベースのフレームワークで、研究者にDRLに基づいたPSソリューション戦略の開発を容易にする包括的なツールセットを提供する。
slablyは、頑丈で柔軟なバックボーンの作成に必要な冗長なオーバーヘッド作業を取り除く。
論文 参考訳(メタデータ) (2023-01-10T19:27:11Z) - NeuralUQ: A comprehensive library for uncertainty quantification in
neural differential equations and operators [0.0]
機械学習における不確実性定量化(UQ)は、現在、研究の関心が高まっている。
我々は,SciMLのUQメソッドを便利かつ構造化した方法で使用するために,NeuralUQと呼ばれるオープンソースのPythonライブラリを提案する。
論文 参考訳(メタデータ) (2022-08-25T04:28:18Z) - Sample-Efficient Reinforcement Learning in the Presence of Exogenous
Information [77.19830787312743]
実世界の強化学習アプリケーションでは、学習者の観察空間は、その課題に関する関連情報と無関係情報の両方でユビキタスに高次元である。
本稿では,強化学習のための新しい問題設定法であるExogenous Decision Process (ExoMDP)を導入する。
内因性成分の大きさのサンプル複雑度で準最適ポリシーを学習するアルゴリズムであるExoRLを提案する。
論文 参考訳(メタデータ) (2022-06-09T05:19:32Z) - dagger: A Python Framework for Reproducible Machine Learning Experiment
Orchestration [0.913755431537592]
機械学習における多段階の実験は、しばしば、複数の実行経路に沿ってモデルに作用する状態変化操作を含む。
再現性と再利用可能な実験オーケストレーションを容易にするフレームワークであるDaggerを提案する。
論文 参考訳(メタデータ) (2020-06-12T21:42:48Z)
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。