論文の概要: mlr3torch: A Deep Learning Framework in R based on mlr3 and torch

• arxiv url: http://arxiv.org/abs/2604.18152v1
• Date: Mon, 20 Apr 2026 12:13:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.853577
• Title: mlr3torch: A Deep Learning Framework in R based on mlr3 and torch
• Title（参考訳）: mlr3torch: mlr3とtorchをベースとしたRのディープラーニングフレームワーク
• Abstract要約: 我々は、mlr3エコシステムのためのDLフレームワークであるRパッケージmlr3torchを紹介する。 トーチパッケージ上に構築され、ニューラルネットワークの定義、トレーニング、評価を簡略化する。 パッケージは事前定義されたアーキテクチャを実装しており、トーチモデルはmlr3学習者に簡単に変換できる。
• 参考スコア（独自算出の注目度）: 10.170929780154035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning (DL) has become a cornerstone of modern machine learning (ML) praxis. We introduce the R package mlr3torch, which is an extensible DL framework for the mlr3 ecosystem. It is built upon the torch package, and simplifies the definition, training, and evaluation of neural networks for both tabular data and generic tensors (e.g., images) for classification and regression. The package implements predefined architectures, and torch models can easily be converted to mlr3 learners. It also allows users to define neural networks as graphs. This representation is based on the graph language defined in mlr3pipelines and allows users to define the entire modeling workflow, including preprocessing, data augmentation, and network architecture, in a single graph. Through its integration into the mlr3 ecosystem, the package allows for convenient resampling, benchmarking, preprocessing, and more. We explain the package's design and features and show how to customize and extend it to new problems. Furthermore, we demonstrate the package's capabilities using three use cases, namely hyperparameter tuning, fine-tuning, and defining architectures for multimodal data. Finally, we present some runtime benchmarks.
• Abstract（参考訳）: ディープラーニング(DL)は、現代の機械学習(ML)実践の基盤となっている。 我々は、mlr3エコシステムのための拡張可能なDLフレームワークであるRパッケージmlr3torchを紹介する。 トーチパッケージ上に構築され、分類と回帰のためのグラフデータとジェネリックテンソル(例:イメージ)の両方に対するニューラルネットワークの定義、トレーニング、評価を単純化する。 パッケージは事前定義されたアーキテクチャを実装しており、トーチモデルはmlr3学習者に簡単に変換できる。 また、ニューラルネットワークをグラフとして定義することもできる。 この表現はmlr3pipelinesで定義されたグラフ言語に基づいており、ユーザーは1つのグラフで事前処理、データ拡張、ネットワークアーキテクチャを含む、モデリングワークフロー全体を定義することができる。 mlr3エコシステムへの統合を通じて、パッケージは便利な再サンプリング、ベンチマーク、前処理などを可能にする。 パッケージの設計と機能を説明し、それを新しい問題にカスタマイズし拡張する方法を示します。 さらに,ハイパーパラメータチューニング,ファインチューニング,マルチモーダルデータのためのアーキテクチャ定義という3つのユースケースを用いて,パッケージの機能を示す。 最後に、いくつかのランタイムベンチマークを示す。

関連論文リスト

• SGR3 Model: Scene Graph Retrieval-Reasoning Model in 3D [51.32219731589742]
  3Dシーングラフは、オブジェクトエンティティとその関連性の構造化された表現を提供する。 3次元シーングラフ生成のための既存のアプローチは、通常、シーン再構成とグラフニューラルネットワーク(GNN)を組み合わせる。 本研究では,3次元のSGR3モデルを用いたScene Graph Retrieval-Reasoning Modelを提案する。
  論文  参考訳（メタデータ） (2026-03-04T21:19:54Z)
• Unified Sparse-Matrix Representations for Diverse Neural Architectures [0.0]
  本稿では,畳み込み,再帰,自己アテンション操作をスパース行列乗法として適用する統一行列順序フレームワークを提案する。 この研究は、多様なニューラルネットワークアーキテクチャのための数学的に厳密な基質を確立し、原理化されたハードウェア対応ネットワーク設計のための道を開く。
  論文  参考訳（メタデータ） (2025-05-11T06:26:34Z)
• Large Spatial Model: End-to-end Unposed Images to Semantic 3D [79.94479633598102]
  大空間モデル(LSM)は、RGB画像を直接意味的放射場に処理する。 LSMは、単一のフィードフォワード操作における幾何学、外観、意味を同時に推定する。 新しい視点で言語と対話することで、多目的ラベルマップを生成することができる。
  論文  参考訳（メタデータ） (2024-10-24T17:54:42Z)
• Principled Architecture-aware Scaling of Hyperparameters [69.98414153320894]
  高品質のディープニューラルネットワークをトレーニングするには、非自明で高価なプロセスである適切なハイパーパラメータを選択する必要がある。 本研究では,ネットワークアーキテクチャにおける初期化と最大学習率の依存性を正確に評価する。 ネットワークランキングは、ベンチマークのトレーニングネットワークにより容易に変更可能であることを実証する。
  論文  参考訳（メタデータ） (2024-02-27T11:52:49Z)
• Interpreting Deep Neural Networks with the Package innsight [0.951828574518325]
  innsightは一般的に、ニューラルネットワークのための機能属性メソッドを実装する最初のRパッケージである。 ディープラーニングライブラリとは独立して動作し、任意のRパッケージからモデルの解釈を可能にする。 Innsightは、トーチパッケージの高速かつ効率的な配列計算から内部的に恩恵を受ける。
  論文  参考訳（メタデータ） (2023-06-19T10:12:32Z)
• cito: An R package for training neural networks using torch [0.0]
  citoは、ディープラーニング(DL)アプリケーションのためのユーザフレンドリーなRパッケージである。 多くのRパッケージで使われている慣れ親しんだ式構文でDNNを指定することができる。 「シトー」には、モデルプロットと分析のための多くのユーザフレンドリーな機能が含まれている。
  論文  参考訳（メタデータ） (2023-03-16T18:54:20Z)
• Deep Dependency Networks for Multi-Label Classification [24.24496964886951]
  マルコフ確率場とニューラルネットワークを組み合わせた従来の手法の性能は、わずかに改善できることを示す。 我々は、依存性ネットワークを拡張するディープ依存ネットワークと呼ばれる新しいモデリングフレームワークを提案する。 単純さにもかかわらず、この新しいアーキテクチャを共同学習することで、パフォーマンスが大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-01T17:52:40Z)
• Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
  本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。 メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。 我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
  論文  参考訳（メタデータ） (2023-02-01T17:32:16Z)
• pyGSL: A Graph Structure Learning Toolkit [14.000763778781547]
  pyGSLは、最先端のグラフ構造学習モデルの効率的な実装を提供するPythonライブラリである。 pyGSLはGPUフレンドリーな方法で書かれており、より大きなネットワークタスクにスケールすることができる。
  論文  参考訳（メタデータ） (2022-11-07T14:23:10Z)
• Using Detection, Tracking and Prediction in Visual SLAM to Achieve Real-time Semantic Mapping of Dynamic Scenarios [70.70421502784598]
  RDS-SLAMは、一般的に使用されているIntel Core i7 CPUのみを使用して、動的シナリオのためのオブジェクトレベルでのセマンティックマップをリアルタイムで構築することができる。 我々は, TUM RGB-DデータセットにおけるRDS-SLAMを評価し, 動的シナリオにおいて, RDS-SLAMはフレームあたり30.3msで動作可能であることを示した。
  論文  参考訳（メタデータ） (2022-10-10T11:03:32Z)
• Pushing the Limits of Simple Pipelines for Few-Shot Learning: External Data and Fine-Tuning Make a Difference [74.80730361332711]
  コンピュータビジョンにおいて、ほとんどショット学習は重要かつトピック的な問題である。 単純なトランスフォーマーベースのパイプラインは、標準ベンチマークで驚くほど優れたパフォーマンスが得られることを示す。
  論文  参考訳（メタデータ） (2022-04-15T02:55:58Z)
• Learning Feature Aggregation for Deep 3D Morphable Models [57.1266963015401]
  階層レベルで機能集約を向上するためのマッピング行列を学習するための注意に基づくモジュールを提案する。 実験の結果,マッピング行列のエンドツーエンドトレーニングにより,様々な3次元形状データセットの最先端結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-05-05T16:41:00Z)

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。