論文の概要: kooplearn: A Scikit-Learn Compatible Library of Algorithms for Evolution Operator Learning

• arxiv url: http://arxiv.org/abs/2512.21409v1
• Date: Wed, 24 Dec 2025 20:15:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-29 20:48:41.782384
• Title: kooplearn: A Scikit-Learn Compatible Library of Algorithms for Evolution Operator Learning
• Title（参考訳）: kooplearn:進化演算子学習のためのシキト・ラーン対応アルゴリズムライブラリ
• Authors: Giacomo Turri, Grégoire Pacreau, Giacomo Meanti, Timothée Devergne, Daniel Ordonez, Erfan Mirzaei, Bruno Belucci, Karim Lounici, Vladimir Kostic, Massimiliano Pontil, Pietro Novelli,
• Abstract要約: Kooplearnは、動的演算子の線形、カーネル、ディープラーニング推定を実装した機械学習ライブラリである。 Kooplearnは離散時間進化作用素(Koopman/Transfer)と連続時間無限小ジェネレータの両方をモデル化することができる。
• 参考スコア（独自算出の注目度）: 27.938061370129148
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: kooplearn is a machine-learning library that implements linear, kernel, and deep-learning estimators of dynamical operators and their spectral decompositions. kooplearn can model both discrete-time evolution operators (Koopman/Transfer) and continuous-time infinitesimal generators. By learning these operators, users can analyze dynamical systems via spectral methods, derive data-driven reduced-order models, and forecast future states and observables. kooplearn's interface is compliant with the scikit-learn API, facilitating its integration into existing machine learning and data science workflows. Additionally, kooplearn includes curated benchmark datasets to support experimentation, reproducibility, and the fair comparison of learning algorithms. The software is available at https://github.com/Machine-Learning-Dynamical-Systems/kooplearn.
• Abstract（参考訳）: Kooplearnは、動的演算子とそのスペクトル分解の線形、カーネル、ディープラーニング推定器を実装する機械学習ライブラリである。 Kooplearnは離散時間進化作用素(Koopman/Transfer)と連続時間無限小ジェネレータの両方をモデル化することができる。 これらの演算子を学習することで、ユーザはスペクトル法による動的システムを解析し、データ駆動の低次モデルを導出し、将来の状態と可観測物を予測できる。 KooplearnのインターフェースはScikit-learn APIに準拠しており、既存の機械学習とデータサイエンスワークフローとの統合を促進する。 さらに、Kooplearnには、実験、再現性、学習アルゴリズムの公正な比較をサポートするための、ベンチマークデータセットのキュレーションが含まれている。 このソフトウェアはhttps://github.com/Machine-Learning-Dynamical-Systems/kooplearnで入手できる。

関連論文リスト

• A Library for Learning Neural Operators [75.14579433742178]
  我々は、演算子学習のためのオープンソースのPythonライブラリであるNeuralOperatorを紹介する。 ニューラルネットワークは有限次元ユークリッド空間の代わりに関数空間間の写像に一般化される。 PyTorch上に構築されたNeuralOperatorは、ニューラルオペレータモデルのトレーニングとデプロイのためのツールをすべて提供する。
  論文  参考訳（メタデータ） (2024-12-13T18:49:37Z)
• Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
  機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。 最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
  論文  参考訳（メタデータ） (2024-10-30T17:20:10Z)
• How to unlearn a learned Machine Learning model ? [0.0]
  機械学習モデルを学習し、その能力を視覚化するためのエレガントなアルゴリズムを提示します。 基礎となる数学的理論を解明し、所望のデータに対する未学習モデルの性能と望ましくないデータに対する無知の両方を評価するための具体的な指標を確立する。
  論文  参考訳（メタデータ） (2024-10-13T17:38:09Z)
• Fast Exact Unlearning for In-Context Learning Data for LLMs [30.06631665962119]
  大規模言語モデルでは「微調整データ」を効率的に解き放つことができることを示す。 正確な文脈内学習は量子化k-meansで行うことができ、効果的に一定時間非学習操作ができることを示す。
  論文  参考訳（メタデータ） (2024-02-01T16:43:04Z)
• Learn to Unlearn for Deep Neural Networks: Minimizing Unlearning Interference with Gradient Projection [56.292071534857946]
  最近のデータプライバシ法は、機械学習への関心を喚起している。 課題は、残りのデータセットに関する知識を変更することなく、忘れたデータに関する情報を捨てることである。 我々は、プロジェクテッド・グラディエント・アンラーニング(PGU)という、プロジェクテッド・グラディエント・ベースの学習手法を採用する。 トレーニングデータセットがもはやアクセスできない場合でも、スクラッチからスクラッチで再トレーニングされたモデルと同じような振る舞いをするモデルを、我々のアンラーニング手法が生成できることを実証するための実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2023-12-07T07:17:24Z)
• biquality-learn: a Python library for Biquality Learning [0.0]
  バイ品質学習は、監督とデータセットシフトの弱点を扱うアルゴリズムを設計するためのフレームワークとして提案されている。 Python Library for Biquality Learningは、バイ品質データから機械学習モデルを学ぶための直感的で一貫性のあるAPIである。
  論文  参考訳（メタデータ） (2023-08-18T16:01:18Z)
• What learning algorithm is in-context learning? Investigations with linear models [87.91612418166464]
  本稿では,トランスフォーマーに基づくインコンテキスト学習者が標準学習アルゴリズムを暗黙的に実装する仮説について検討する。 訓練された文脈内学習者は、勾配降下、隆起回帰、および正確な最小二乗回帰によって計算された予測値と密に一致していることを示す。 文脈内学習者がこれらの予測器とアルゴリズム的特徴を共有するという予備的証拠。
  論文  参考訳（メタデータ） (2022-11-28T18:59:51Z)
• ModelDiff: A Framework for Comparing Learning Algorithms [86.19580801269036]
  そこでは,2つの異なる学習アルゴリズムを用いて学習したモデルの違いを見つけることを目的とする。 トレーニングデータの使用方法に基づいて学習アルゴリズムを比較するために,データモデルフレームワークを利用するModelDiffを提案する。
  論文  参考訳（メタデータ） (2022-11-22T18:56:52Z)
• Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
  遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。 NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。 我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-23T09:35:03Z)
• Deeptime: a Python library for machine learning dynamical models from time series data [3.346668383314945]
  Deeptimeは、時系列データに基づいて動的モデルを推定する様々なツールを提供する汎用Pythonライブラリである。 本稿では,ディープタイムソフトウェアの主な特徴と構造を紹介する。
  論文  参考訳（メタデータ） (2021-10-28T10:53:03Z)
• Deep Reinforcement Learning for Adaptive Learning Systems [4.8685842576962095]
  学習者の潜在特性に基づいて,個別化学習計画の探索方法の問題点を定式化する。 最適な学習ポリシーを効果的に見つけることができるモデルフリーの深層強化学習アルゴリズムを適用した。 また,ニューラルネットワークを用いて学習者の学習過程をエミュレートする遷移モデル推定器を開発した。
  論文  参考訳（メタデータ） (2020-04-17T18:04:03Z)

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。