論文の概要: Sparklen: A Statistical Learning Toolkit for High-Dimensional Hawkes Processes in Python

• arxiv url: http://arxiv.org/abs/2502.18979v2
• Date: Fri, 28 Mar 2025 06:25:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:06:06.361303
• Title: Sparklen: A Statistical Learning Toolkit for High-Dimensional Hawkes Processes in Python
• Title（参考訳）: Sparklen: Pythonの高次元ホークプロセスのための統計的学習ツールキット
• Authors: Romain Edmond Lacoste,
• Abstract要約: SparklenはPythonのHawkesプロセスのための統計学習ツールキットである。 これには、正規化技術を組み込むためのビルトインサポートを備えた最先端の見積もりツールと、新しい分類方法が含まれている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces Sparklen, a statistical learning toolkit for Hawkes processes in Python, designed to bring together efficiency and ease of use. The purpose of this package is to provide the Python community with a complete suite of cutting-edge tools specifically tailored for the study of exponential Hawkes processes, with a particular focus on highdimensional framework. It includes state-of-the-art estimation tools with built-in support for incorporating regularization techniques, and novel classification methods. To enhance computational performance, Sparklen leverages a high-performance C++ core for intensive tasks. This dual-language approach makes Sparklen a powerful solution for computationally demanding real-world applications. Here, we present its implementation framework and provide illustrative examples, demonstrating its capabilities and practical usage.
• Abstract（参考訳）: 本稿では,PythonにおけるHawkesプロセスの統計的学習ツールキットであるSparklenを紹介する。 このパッケージの目的は、Pythonコミュニティに、特に高次元フレームワークに焦点を当てた指数的ホークスプロセスの研究に適した、最先端ツールの完全なスイートを提供することである。 これには、正規化技術を組み込むためのビルトインサポートを備えた最先端の見積もりツールと、新しい分類方法が含まれている。 Sparklenは計算性能を向上させるために、高パフォーマンスなC++コアを活用している。 この二重言語アプローチは、Sparklenを現実世界のアプリケーションに計算的に要求する強力なソリューションにする。 本稿では、その実装フレームワークを示し、実例を示し、その能力と実用性を実証する。

関連論文リスト

• OTC: Optimal Tool Calls via Reinforcement Learning [87.28134636548705]
  ツール統合報酬は,正しさとツール効率を共同で考慮し,高いツール生産性を向上する。 このアプローチでは,ツールコールを最大73.1%削減し,ツールの生産性を最大229.4%向上すると同時に,同等の回答精度を維持している。
  論文  参考訳（メタデータ） (2025-04-21T05:40:05Z)
• PyTopo3D: A Python Framework for 3D SIMP-based Topology Optimization [19.783466904216198]
  PyTopo3Dは、このギャップに対処するために開発されたソフトウェアフレームワークである。 PyTopo3Dは、よく確立されたSolid Isotropic Material with Penalization (SIMP) メソッドを実装することで、3D TOの機能豊富なツールを提供する。 複雑な設計領域の直接インポートやSTLファイルによる非設計上の障害など、実用工学における重要な機能を備えている。
  論文  参考訳（メタデータ） (2025-04-08T01:32:01Z)
• ToolACE-R: Tool Learning with Adaptive Self-Refinement [84.69651852838794]
  ツール学習により、大規模言語モデルは複雑なユーザタスクを解決するための外部ツールを活用することができる。 本稿では,ツール実行のための適応型自己調整手法であるToolACE-Rを提案する。 提案手法は,様々なサイズのベースモデルと互換性のある提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-04-02T06:38:56Z)
• Data-Juicer 2.0: Cloud-Scale Adaptive Data Processing for Foundation Models [64.28420991770382]
  我々は,100以上の演算子が支援する実りあるデータ処理機能を提供する新しいシステムであるData-Juicer 2.0を提案する。 このシステムは、さまざまな研究努力、実用的なアプリケーション、Alibaba Cloud PAIのような現実世界の製品で、公開され、積極的に維持され、広く採用されている。
  論文  参考訳（メタデータ） (2024-12-23T08:29:57Z)
• Intelligent Spark Agents: A Modular LangGraph Framework for Scalable, Visualized, and Enhanced Big Data Machine Learning Workflows [1.4582633500696451]
  LangGraphフレームワークは、スケーラビリティ、視覚化、インテリジェントなプロセス最適化を通じて機械学習を強化するように設計されている。 このフレームワークの中核となるのは、Sparkの分散コンピューティング機能を活用する重要なイノベーションであるAgent AIだ。 フレームワークにはLangChainエコシステムを通じて大きな言語モデルも組み込まれており、構造化されていないデータとのインタラクションが強化されている。
  論文  参考訳（メタデータ） (2024-12-02T13:41:38Z)
• 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)
• A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
  サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。 我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-17T04:41:07Z)
• Harnessing Deep Learning and HPC Kernels via High-Level Loop and Tensor Abstractions on CPU Architectures [67.47328776279204]
  この研究は、効率的でポータブルなDeep LearningとHigh Performance Computingカーネルを開発するためのフレームワークを導入している。 1)プロセッシングプリミティブ(TPP)を用いた計算コアの表現と,2)高レベルな宣言的手法でTPPのまわりの論理ループの表現の2つのステップでカーネルの開発を分解する。 我々は、スタンドアロンカーネルと、さまざまなCPUプラットフォームにおける最先端実装よりも優れたエンドツーエンドワークロードを使用して、このアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-25T05:04:44Z)
• Block size estimation for data partitioning in HPC applications using machine learning techniques [38.063905789566746]
  本稿では,ブロックサイズ推定のためのBLEST-ML(BLock size ESTimation through Machine Learning)手法について述べる。 提案手法は分散コンピューティングライブラリであるdislibに適した実装を設計することで評価された。 その結果、BLEST-MLが与えられたデータセットを分割する適切な方法を効率的に決定できることを示した。
  論文  参考訳（メタデータ） (2022-11-19T23:04:14Z)
• Walle: An End-to-End, General-Purpose, and Large-Scale Production System for Device-Cloud Collaborative Machine Learning [40.09527159285327]
  We build the first end-to-end and general-purpose system, called Walle, for device-cloud collaborative machine learning (ML) Walleはデプロイメントプラットフォームで構成され、MLタスクを10億規模のデバイスに分散する。データパイプラインはタスク入力を効率的に準備し、計算コンテナはクロスプラットフォームで高性能な実行環境を提供する。 我々はWalleを実践的なeコマースアプリケーションシナリオで評価し、その有効性、効率、スケーラビリティを実証する。
  論文  参考訳（メタデータ） (2022-05-30T03:43:35Z)
• PyRelationAL: a python library for active learning research and development [1.0061110876649197]
  アクティブラーニング(英: Active Learning, AL)は、反復的かつ経済的にデータを取得する手法の開発に焦点を当てたMLのサブフィールドである。 本稿では,AL研究のためのオープンソースライブラリであるPyRelationALを紹介する。 プールベースのアクティブラーニング戦略を構成するための2段階の設計方法論をベースとしたモジュラーツールキットについて述べる。
  論文  参考訳（メタデータ） (2022-05-23T08:21:21Z)
• 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)
• Deep Learning Framework From Scratch Using Numpy [0.0]
  この研究は、完全に汎用的なディープラーニングフレームワークをゼロから厳格に開発したものである。 ディープラーニングの基本コンポーネントは基本計算から開発され、PythonとNumpyライブラリのみを使用して、合理的なオブジェクト指向アプローチで実装されている。 ArrayFlowというフレームワークを使って解決された問題の例は、コンピュータビジョン分類タスク、カテナリーの形状の解法、二階微分方程式などである。
  論文  参考訳（メタデータ） (2020-11-17T06:28:05Z)
• 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。