論文の概要: LiteEFG: An Efficient Python Library for Solving Extensive-form Games

• arxiv url: http://arxiv.org/abs/2407.20351v1
• Date: Mon, 29 Jul 2024 18:05:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-31 19:08:17.729765
• Title: LiteEFG: An Efficient Python Library for Solving Extensive-form Games
• Title（参考訳）: LiteEFG: 大規模なゲーム問題を解決するための効率的なPythonライブラリ
• Authors: Mingyang Liu, Gabriele Farina, Asuman Ozdaglar,
• Abstract要約: LiteEFGは、簡単に使えるPythonバインディングを備えた効率的なライブラリである。 マルチプレイヤーワイドフォームゲーム(EFG)を解くことができる。
• 参考スコア（独自算出の注目度）: 21.195897792629548
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiteEFG is an efficient library with easy-to-use Python bindings, which can solve multiplayer extensive-form games (EFGs). LiteEFG enables the user to express computation graphs in Python to define updates on the game tree structure. The graph is then executed by the C++ backend, leading to significant speedups compared to running the algorithm in Python. Moreover, in LiteEFG, the user needs to only specify the computation graph of the update rule in a decision node of the game, and LiteEFG will automatically distribute the update rule to each decision node and handle the structure of the imperfect-information game.
• Abstract（参考訳）: LiteEFGは、Pythonバインディングが簡単に使える効率的なライブラリであり、マルチプレイヤーワイドフォームゲーム(EFG)を解決できる。 LiteEFGを使えば,Pythonで計算グラフを表現して,ゲームツリー構造のアップデートを定義することが可能になる。 グラフはC++バックエンドで実行され、Pythonでアルゴリズムを実行する場合と比較して大幅にスピードアップする。 さらに、LiteEFGでは、ゲームの決定ノードにおいて更新ルールの計算グラフのみを指定し、LiteEFGは更新ルールを各決定ノードに自動的に分散し、不完全な情報ゲームの構造を処理する。

関連論文リスト

• Graph Parsing Networks [64.5041886737007]
  本稿では,効率的なグラフ解析アルゴリズムを提案する。 結果として得られるグラフパーシングネットワーク(GPN)は、個々のグラフに対してパーソナライズされたプーリング構造を適応的に学習する。
  論文  参考訳（メタデータ） (2024-02-22T09:08:36Z)
• Scalable and Precise Application-Centered Call Graph Construction for Python [4.655332013331494]
  PyCGはPythonプログラムのコールグラフを構築するための最先端のアプローチである。 本稿では,Python プログラム用のアプリケーション中心のコールグラフを構築するためのスケーラブルで正確なアプローチを提案し,プロトタイプツール JARVIS として実装する。 1つの関数を入力として、JARVISは、フローセンシティブなプロセス内分析とプロセス間解析を行う、オンザフライのコールグラフを生成する。
  論文  参考訳（メタデータ） (2023-05-10T07:40:05Z)
• PyGlove: Efficiently Exchanging ML Ideas as Code [81.80955202879686]
  PyGloveは、アイデアを象徴的なルールベースのパッチとして表現している。 これによって、チーム間のネットワーク効果が実現します – 一度に、すべてのチームが他のすべてのチームにパッチを発行することができます。
  論文  参考訳（メタデータ） (2023-02-03T18:52:09Z)
• pyGSL: A Graph Structure Learning Toolkit [14.000763778781547]
  pyGSLは、最先端のグラフ構造学習モデルの効率的な実装を提供するPythonライブラリである。 pyGSLはGPUフレンドリーな方法で書かれており、より大きなネットワークタスクにスケールすることができる。
  論文  参考訳（メタデータ） (2022-11-07T14:23:10Z)
• 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)
• Speeding Up OPFython with Numba [0.0]
  Optimum-Path Forest (OPF)は、ロジスティック回帰、サポートベクトルマシンに匹敵する最先端のアルゴリズムであることが証明されている。 最近、PythonベースのバージョンはOPFythonと呼ばれ、よりフレンドリーなフレームワークとより高速なプロトタイピング環境を提供することが提案されている。 本稿では,Numpyに基づく計算を高速化し,アルゴリズム全体の性能向上を図るため,Numbaパッケージを用いた簡易かつ高効率な高速化を提案する。
  論文  参考訳（メタデータ） (2021-06-22T14:39:32Z)
• GNNAutoScale: Scalable and Expressive Graph Neural Networks via Historical Embeddings [51.82434518719011]
  GNNAutoScale(GAS)は、任意のメッセージパスGNNを大規模グラフにスケールするためのフレームワークである。 ガスは、前回のトレーニングの繰り返しから過去の埋め込みを利用して計算グラフのサブツリー全体を掘り起こします。 ガスは大規模グラフ上で最先端のパフォーマンスに達する。
  論文  参考訳（メタデータ） (2021-06-10T09:26:56Z)
• pyBART: Evidence-based Syntactic Transformations for IE [52.93947844555369]
  pyBARTは、英語のUD木を拡張UDグラフに変換するためのオープンソースのPythonライブラリである。 パターンに基づく関係抽出のシナリオで評価すると、より少ないパターンを必要としながら、より高精細なUDよりも高い抽出スコアが得られる。
  論文  参考訳（メタデータ） (2020-05-04T07:38:34Z)
• 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。