論文の概要: flowengineR: A Modular and Extensible Framework for Fair and Reproducible Workflow Design in R

• arxiv url: http://arxiv.org/abs/2511.00079v1
• Date: Wed, 29 Oct 2025 17:59:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.568821
• Title: flowengineR: A Modular and Extensible Framework for Fair and Reproducible Workflow Design in R
• Title（参考訳）: flowengineR: Rで公正かつ再現可能なワークフロー設計のためのモジュール的で拡張可能なフレームワーク
• Authors: Maximilian Willer, Peter Ruckdeschel,
• Abstract要約: flowengineRは、再現可能なアルゴリズムパイプラインを構築するためのモジュールとフレームワークを提供するように設計されたRパッケージである。 flowengineRは、データ分割、実行、前処理、トレーニング、インプロセッシング、後処理、評価、レポートのための標準化されたエンジンの統一アーキテクチャを導入することでこの問題に対処する。
• 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: flowengineR is an R package designed to provide a modular and extensible framework for building reproducible algorithmic workflows for general-purpose machine learning pipelines. It is motivated by the rapidly evolving field of algorithmic fairness where new metrics, mitigation strategies, and machine learning methods continuously emerge. A central challenge in fairness, but also far beyond, is that existing toolkits either focus narrowly on single interventions or treat reproducibility and extensibility as secondary considerations rather than core design principles. flowengineR addresses this by introducing a unified architecture of standardized engines for data splitting, execution, preprocessing, training, inprocessing, postprocessing, evaluation, and reporting. Each engine encapsulates one methodological task yet communicates via a lightweight interface, ensuring workflows remain transparent, auditable, and easily extensible. Although implemented in R, flowengineR builds on ideas from workflow languages (CWL, YAWL), graph-oriented visual programming languages (KNIME), and R frameworks (BatchJobs, batchtools). Its emphasis, however, is less on orchestrating engines for resilient parallel execution but rather on the straightforward setup and management of distinct engines as data structures. This orthogonalization enables distributed responsibilities, independent development, and streamlined integration. In fairness context, by structuring fairness methods as interchangeable engines, flowengineR lets researchers integrate, compare, and evaluate interventions across the modeling pipeline. At the same time, the architecture generalizes to explainability, robustness, and compliance metrics without core modifications. While motivated by fairness, it ultimately provides a general infrastructure for any workflow context where reproducibility, transparency, and extensibility are essential.
• Abstract（参考訳）: flowengineRは、汎用機械学習パイプラインのための再現可能なアルゴリズムワークフローを構築するためのモジュラーで拡張可能なフレームワークを提供するように設計されたRパッケージである。 新しいメトリクス、緩和戦略、機械学習メソッドが継続的に出現するアルゴリズムフェアネスの急速に発展する分野に動機づけられている。 公正性における中心的な課題は、既存のツールキットが単一の介入に狭くフォーカスするか、再現性と拡張性をコア設計原則よりも二次的考慮として扱うことである。 flowengineRは、データ分割、実行、前処理、トレーニング、インプロセッシング、後処理、評価、レポートのための標準化されたエンジンの統一アーキテクチャを導入することでこの問題に対処する。 各エンジンは1つの方法論的タスクをカプセル化しますが、軽量インターフェースを介して通信し、ワークフローが透明で監査可能で容易に拡張可能であることを保証します。 Rで実装されているが、flowengineRはワークフロー言語(CWL、YAWL)、グラフ指向ビジュアルプログラミング言語(KNIME)、Rフレームワーク(バッチジョブ、バッチツール)のアイデアに基づいている。 しかし、その重点は、弾力性のある並列実行のためのエンジンのオーケストレーションではなく、データ構造として異なるエンジンのセットアップと管理に向けられている。 この直交化は、分散責任、独立した開発、合理化された統合を可能にする。 フェアネスの文脈では、フェアネスメソッドを交換可能なエンジンとして構成することで、フローエンジンRは研究者がモデリングパイプライン全体にわたる介入を統合し、比較し、評価することができる。 同時に、アーキテクチャは、コア修正なしで説明可能性、堅牢性、コンプライアンスのメトリクスを一般化します。 公正さを動機とするが、最終的には再現性、透明性、拡張性が不可欠であるワークフローコンテキストに対して、一般的なインフラストラクチャを提供する。

関連論文リスト

• Simpliflow: A Lightweight Open-Source Framework for Rapid Creation and Deployment of Generative Agentic AI Workflows [0.0]
  生成エージェントAIシステムは、複雑なマルチステップタスクを自動化するための強力なパラダイムとして登場しています。 これらのシステムを構築するための既存のフレームワークには、相当な複雑さ、急勾配の学習曲線、相当な定型コードが導入されている。 これは、これらの課題に対処するために設計された軽量でオープンソースのPythonフレームワークであるsimpliflowを導入する。
  論文  参考訳（メタデータ） (2025-10-12T16:02:50Z)
• VerlTool: Towards Holistic Agentic Reinforcement Learning with Tool Use [78.29315418819074]
  VerlToolは、体系的な設計原則を通じて制限に対処する統一的でモジュール化されたフレームワークです。 我々のフレームワークはARLTをマルチターントラジェクトリとして定式化し、マルチモード観測トークン(テキスト/画像/ビデオ)を単一ターンRLVRパラダイムを超えて拡張する。 モジュール化されたプラグインアーキテクチャは、軽量Python定義のみを必要とする迅速なツール統合を可能にする。
  論文  参考訳（メタデータ） (2025-09-01T01:45:18Z)
• Feedback-Driven Tool-Use Improvements in Large Language Models via Automated Build Environments [70.42705564227548]
  大規模言語モデル(LLM)のための環境自動構築パイプラインを提案する。 これにより、外部ツールに頼ることなく、詳細な測定可能なフィードバックを提供する高品質なトレーニング環境の作成が可能になる。 また、ツール使用の精度とタスク実行の完全性の両方を評価する検証可能な報酬機構も導入する。
  論文  参考訳（メタデータ） (2025-08-12T09:45:19Z)
• AsyncFlow: An Asynchronous Streaming RL Framework for Efficient LLM Post-Training [24.60677187852425]
  強化学習(RL)は、大規模言語モデル(LLM)の訓練後の段階において重要な技術となっている。 従来のタスクコロケーションのRLフレームワークは、大きなスケーラビリティのボトルネックに悩まされている。 タスク分離RLフレームワークは、複雑なデータフローとそれに対応するリソースアイドリングとワークロードの不均衡の課題に直面します。 本稿では,非同期ストリーミングRLフレームワークであるAsyncFlowを提案する。
  論文  参考訳（メタデータ） (2025-07-02T12:45:34Z)
• MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
  自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。 MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。 完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
  論文  参考訳（メタデータ） (2025-05-12T17:35:43Z)
• Automated Evolutionary Approach for the Design of Composite Machine Learning Pipelines [48.7576911714538]
  提案手法は、複合機械学習パイプラインの設計を自動化することを目的としている。 パイプラインをカスタマイズ可能なグラフベースの構造で設計し、得られた結果を分析して再生する。 このアプローチのソフトウェア実装は、オープンソースフレームワークとして紹介されている。
  論文  参考訳（メタデータ） (2021-06-26T23:19:06Z)

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。