論文の概要: Phyelds: A Pythonic Framework for Aggregate Computing
- arxiv url: http://arxiv.org/abs/2603.29999v1
- Date: Tue, 31 Mar 2026 16:57:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-01 15:25:03.874257
- Title: Phyelds: A Pythonic Framework for Aggregate Computing
- Title（参考訳）: Phyelds: 集約コンピューティングのためのPythonフレームワーク
- Authors: Gianluca Aguzzi, Davide Domini, Nicolas Farabegoli, Mirko Viroli,
- Abstract要約: Phyeldsは、アグリゲートプログラミングのためのPythonライブラリである。
計算のフィールドモデルの実装を提供し、Pythonic APIとPythonの機械学習エコシステムとのシームレスな統合のために設計されたアーキテクチャを備えている。
- 参考スコア（独自算出の注目度）: 0.6719751155411074
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Aggregate programming is a field-based coordination paradigm with over a decade of exploration and successful applications across domains including sensor networks, robotics, and IoT, with implementations in various programming languages, such as Protelis, ScaFi (Scala), and FCPP (C++). A recent research direction integrates machine learning with aggregate computing, aiming to support large-scale distributed learning and provide new abstractions for implementing learning algorithms. However, existing implementations do not target data science practitioners, who predominantly work in Python--the de facto language for data science and machine learning, with a rich and mature ecosystem. Python also offers advantages for other use cases, such as education and robotics (e.g., via ROS). To address this gap, we present Phyelds, a Python library for aggregate programming. Phyelds offers a fully featured yet lightweight implementation of the field calculus model of computation, featuring a Pythonic API and an architecture designed for seamless integration with Python's machine learning ecosystem. We describe the design and implementation of Phyelds and illustrate its versatility across domains, from well-known aggregate computing patterns to federated learning coordination and integration with a widely used multi-agent reinforcement learning simulator.
- Abstract（参考訳）: アグリゲートプログラミング(Aggregate programming)は、センサネットワーク、ロボティクス、IoTなどの領域にわたる10年以上にわたるアプリケーションの探索と成功を伴うフィールドベースの調整パラダイムであり、Protelis、ScaFi(Scala)、FCPP(C++)など、さまざまなプログラミング言語で実装されている。
最近の研究の方向性は、機械学習と集約コンピューティングを統合し、大規模分散学習をサポートし、学習アルゴリズムを実装するための新しい抽象化を提供することを目指している。
しかし、既存の実装は、Python--データサイエンスと機械学習の事実上の言語-で、リッチで成熟したエコシステムを持つデータサイエンスの実践者をターゲットにしていない。
Pythonは教育やロボティクス(ROS経由など)など、他のユースケースにもメリットがある。
このギャップに対処するため、アグリゲートプログラミングのためのPythonライブラリであるPhyldsを紹介します。
Phyeldsは、Pythonic APIと、Pythonの機械学習エコシステムとのシームレスな統合のために設計されたアーキテクチャを特徴とする、計算のフィールド計算モデルの、完全に特徴的で軽量な実装を提供する。
本稿ではPhyeldの設計と実装について述べるとともに、よく知られた集約コンピューティングパターンから、フェデレートされた学習調整や、広く使われているマルチエージェント強化学習シミュレータとの統合に至るまで、ドメイン間の汎用性について説明する。
関連論文リスト
- Exploring different approaches to customize language models for domain-specific text-to-code generation [43.95570557372863]
合成データセットを用いて、ドメイン固有のコード生成に適用可能な言語モデルについて検討する。
Pythonエコシステム内の3つのドメインにわたるプログラミング演習のデータセットを構築します。
提案手法は,少数ショットプロンプト,検索拡張生成,パラメータ効率の微調整の3つである。
論文 参考訳（メタデータ） (2026-03-17T13:49:31Z) - A Comprehensive Guide to Combining R and Python code for Data Science, Machine Learning and Reinforcement Learning [42.350737545269105]
機械学習、ディープラーニング、強化学習プロジェクトを構築するために、PythonのScikit-learn、pytorch、OpenAIのジムライブラリを簡単に実行する方法を示します。
論文 参考訳（メタデータ） (2024-07-19T23:01:48Z) - TopoX: A Suite of Python Packages for Machine Learning on Topological Domains [89.43928198132942]
TopoXはPythonのソフトウェアスイートで、トポロジ上のコンピューティングと機械学習のための信頼性とユーザフレンドリなビルディングブロックを提供する。
TopoXは、TopoNetX、TopoEmbedX、TopoModelXの3つのパッケージで構成されている。
論文 参考訳（メタデータ） (2024-02-04T10:41:40Z) - PyPOTS: A Python Toolkit for Machine Learning on Partially-Observed Time Series [20.491714178518155]
PyPOTSは、データマイニングと分析のためのオープンソースのライブラリである。
5つのタスクに分類される多様なアルゴリズムに簡単にアクセスできる。
PyPOTSはPyPI、Anaconda、Dockerで利用できる。
論文 参考訳（メタデータ） (2023-05-30T07:57:05Z) - pymdp: A Python library for active inference in discrete state spaces [52.85819390191516]
pymdpはPythonでアクティブな推論をシミュレートするオープンソースパッケージである。
我々は,POMDPによるアクティブな推論をシミュレートする,最初のオープンソースパッケージを提供する。
論文 参考訳（メタデータ） (2022-01-11T12:18:44Z) - Extending Python for Quantum-Classical Computing via Quantum
Just-in-Time Compilation [78.8942067357231]
Pythonは、その柔軟性、ユーザビリティ、可読性、開発者の生産性を重視することで有名な人気のあるプログラミング言語です。
量子ジャスト・イン・タイム・コンパイルのための堅牢なC++インフラストラクチャを通じて、異種量子古典計算を可能にするPythonの言語拡張を提案する。
論文 参考訳（メタデータ） (2021-05-10T21:11:21Z) - PyHealth: A Python Library for Health Predictive Models [53.848478115284195]
PyHealthは、医療データ上で様々な予測モデルを開発するためのオープンソースのPythonツールボックスである。
データ前処理モジュールにより、複雑なヘルスケアデータセットを機械学習フレンドリーなフォーマットに変換できます。
予測モデリングモジュールは、確立されたアンサンブルツリーとディープニューラルネットワークベースのアプローチを含む30以上の機械学習モデルを提供します。
論文 参考訳（メタデータ） (2021-01-11T22:02:08Z) - Automated Source Code Generation and Auto-completion Using Deep
Learning: Comparing and Discussing Current Language-Model-Related Approaches [0.0]
本稿では、異なるディープラーニングアーキテクチャを比較して、プログラミングコードに基づく言語モデルを作成し、使用する。
それぞれのアプローチのさまざまな長所と短所と、言語モデルを評価したり、実際のプログラミングコンテキストでそれらを適用するためのギャップについて論じる。
論文 参考訳（メタデータ） (2020-09-16T15:17:04Z) - Machine Learning in Python: Main developments and technology trends in
data science, machine learning, and artificial intelligence [3.1314898234563295]
Pythonは科学計算、データサイエンス、機械学習において最も好まれる言語である。
この調査は、Pythonによる機械学習の分野に関する洞察を提供し、重要なトピックをツアーして、それを可能にしたコアハードウェアとソフトウェアパラダイムのいくつかを特定します。
論文 参考訳（メタデータ） (2020-02-12T05:20:59Z) - 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。