論文の概要: DRO: A Python Library for Distributionally Robust Optimization in Machine Learning

• arxiv url: http://arxiv.org/abs/2505.23565v1
• Date: Thu, 29 May 2025 15:39:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.950015
• Title: DRO: A Python Library for Distributionally Robust Optimization in Machine Learning
• Title（参考訳）: DRO: 機械学習における分散ロバスト最適化のためのPythonライブラリ
• Authors: Jiashuo Liu, Tianyu Wang, Henry Lam, Hongseok Namkoong, Jose Blanchet,
• Abstract要約: 分散ロバスト最適化(DRO)のためのオープンソースのPythonライブラリであるdroを紹介する。 droは14のDRO定式化と9のバックボーンモデルを実装し、79のDROメソッドを実現している。 droはScikit-learnとPyTorchの両方と互換性がある。
• 参考スコア（独自算出の注目度）: 20.33236744470794
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We introduce dro, an open-source Python library for distributionally robust optimization (DRO) for regression and classification problems. The library implements 14 DRO formulations and 9 backbone models, enabling 79 distinct DRO methods. Furthermore, dro is compatible with both scikit-learn and PyTorch. Through vectorization and optimization approximation techniques, dro reduces runtime by 10x to over 1000x compared to baseline implementations on large-scale datasets. Comprehensive documentation is available at https://python-dro.org.
• Abstract（参考訳）: そこで我々は,分散ロバスト最適化(DRO)のためのオープンソースのPythonライブラリであるdroを紹介した。 ライブラリは14のDRO定式化と9のバックボーンモデルを実装しており、79のDROメソッドが可能である。 さらにdroはScikit-learnとPyTorchとも互換性がある。 ベクトル化と最適化の手法により、droは大規模なデータセットのベースライン実装と比較してランタイムを10倍から1000倍以上に削減する。 包括的なドキュメントはhttps://python-dro.org.comで公開されている。

関連論文リスト

• $\texttt{skwdro}$: a library for Wasserstein distributionally robust machine learning [6.940992962425166]
  skwdroは、堅牢な機械学習モデルをトレーニングするためのPythonライブラリである。 一般的な目的のために、Scikit-learn互換の推定器と、PyTorchモジュール用のラッパーの両方を備えている。
  論文  参考訳（メタデータ） (2024-10-28T17:16:00Z)
• Mixture-Models: a one-stop Python Library for Model-based Clustering using various Mixture Models [4.60168321737677]
  textttMixture-Modelsは、Gaussian Mixture Models(GMM)とその変種を適合させるオープンソースのPythonライブラリである。 様々な第1/第2次最適化ルーチンを使用して、これらのモデルの実装と分析を合理化する。 このライブラリは、BIC、AIC、ログライクな推定など、ユーザフレンドリーなモデル評価ツールを提供する。
  論文  参考訳（メタデータ） (2024-02-08T19:34:24Z)
• PyPop7: A Pure-Python Library for Population-Based Black-Box Optimization [16.25015003901218]
  我々は、ブラックボックス最適化(BBO)のためのPyPop7と呼ばれるオープンソースの純Pythonライブラリを提案する。 PyPop7の設計目標は、BBOに統一されたAPIとエレガントな実装を提供することである。
  論文  参考訳（メタデータ） (2022-12-12T01:38:49Z)
• DADApy: Distance-based Analysis of DAta-manifolds in Python [51.37841707191944]
  DADApyは、高次元データの分析と特徴付けのためのピソンソフトウェアパッケージである。 固有次元と確率密度を推定し、密度に基づくクラスタリングを行い、異なる距離メトリクスを比較する方法を提供する。
  論文  参考訳（メタデータ） (2022-05-04T08:41:59Z)
• 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)
• 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)
• 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)
• MRCpy: A Library for Minimax Risk Classifiers [10.380882297891272]
  PythonライブラリであるMRCpyは、ロバストリスク最小化(RRM)アプローチに基づいて、ミニマックスリスク分類器(MRC)を実装している。 MRCpyは、Scikit-learnのような人気のあるPythonライブラリの標準に従い、可読性と使いやすさと、他のライブラリとのシームレスな統合を容易にする。
  論文  参考訳（メタデータ） (2021-08-04T10:31:20Z)
• Picasso: A Sparse Learning Library for High Dimensional Data Analysis in R and Python [77.33905890197269]
  本稿では,様々なスパース学習問題に対して,経路座標を統一的に最適化する新しいライブラリについて述べる。 ライブラリはR++でコード化されており、ユーザフレンドリーなスパース実験を行っている。
  論文  参考訳（メタデータ） (2020-06-27T02:39:24Z)
• 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。