論文の概要: bde: A Python Package for Bayesian Deep Ensembles via MILE

• arxiv url: http://arxiv.org/abs/2605.14146v1
• Date: Wed, 13 May 2026 21:52:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.516567
• Title: bde: A Python Package for Bayesian Deep Ensembles via MILE
• Title（参考訳）: bde: MILE経由のベイジアンディープアンサンブルのためのPythonパッケージ
• Authors: Vyron Arvanitis, Angelos Aslanidis, Emanuel Sommer, David Rügamer,
• Abstract要約: bdeは、サンプリングベースの推論メソッドMicrocanonical Langevin Ensembles (MILE)の効率的なJAX実装の上に構築されている。 高速なトレーニング、効率的なマルコフチェインモンテカルロサンプリング、回帰と分類のタスクにおける不確実な定量化のためのスキート学習互換推定器を提供する。
• 参考スコア（独自算出の注目度）: 12.743164461113695
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: bde is a user-friendly Python package for Bayesian Deep Ensembles with a particular focus on tabular data. Built on an efficient JAX implementation of the sampling-based inference method Microcanonical Langevin Ensembles (MILE), it provides scikit-learn compatible estimators for fast training, efficient Markov Chain Monte Carlo sampling, and uncertainty quantification in both regression and classification tasks.
• Abstract（参考訳）: bdeはBayesian Deep Ensembles用のユーザフレンドリーなPythonパッケージで、特に表データに焦点を当てている。 サンプリングベースの推論手法Microcanonical Langevin Ensembles (MILE) の効率的なJAX実装に基づいて構築され、高速トレーニングのためのシンキト学習互換推定器、効率的なマルコフチェインモンテカルロサンプリング、回帰および分類タスクにおける不確実性定量化を提供する。

関連論文リスト

• milearn: A Python Package for Multi-Instance Machine Learning [0.0]
  milearnはマルチインスタンス学習(MIL)のためのPythonパッケージである キーインスタンス検出(KID)問題に特に重点を置いている。
  論文  参考訳（メタデータ） (2025-12-01T05:15:28Z)
• Efficient Solvers for SLOPE in R, Python, Julia, and C++ [5.542449901887863]
  本稿では,Sorted L-One Penalized Estimation 問題を効率的に解決するパッケージ群を提案する。 パッケージは、一般化線形モデルに適合する高効率なハイブリッド座標降下アルゴリズムを備えている。 私たちの実装は高速で、メモリ効率が良く、柔軟に設計されています。
  論文  参考訳（メタデータ） (2025-11-04T10:03:15Z)
• CLIMB: CLustering-based Iterative Data Mixture Bootstrapping for Language Model Pre-training [63.07024608399447]
  本稿では,事前学習環境でデータ混合物を発見し,評価し,精製する自動フレームワークを提案する。 ClimbLabは、20のクラスタを研究用グラウンドとして、フィルタされた1.2トリリオントーケンコーパスであり、ClimbMixはコンパクトだが強力な400ビリオントーケンデータセットである。
  論文  参考訳（メタデータ） (2025-04-17T17:58:13Z)
• Simulation-based inference with the Python Package sbijax [0.7499722271664147]
  sbijaxは、ニューラルネットワークベースの推論に様々な最先端のメソッドを実装するPythonパッケージである。 このパッケージはベイズ近似計算の機能を提供し、モデル診断を計算し、自動的に要約統計を推定する。
  論文  参考訳（メタデータ） (2024-09-28T18:47:13Z)
• eipy: An Open-Source Python Package for Multi-modal Data Integration using Heterogeneous Ensembles [2.957103424179249]
  eipyはオープンソースのPythonパッケージで、分類のための効果的なマルチモーダルなヘテロジニアスアンサンブルを開発する。 データ統合と予測モデリングメソッドの比較と選択のための厳格でユーザフレンドリなフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-01-17T20:07:47Z)
• LCE: An Augmented Combination of Bagging and Boosting in Python [45.65284933207566]
  lcensembleはハイパフォーマンスでスケーラブルでユーザフレンドリなPythonパッケージで、分類と回帰の一般的なタスクのためのものだ。 Local Cascade Ensemble (LCE)は、現在の最先端手法であるRandom ForestとXGBoostの予測性能をさらに向上する機械学習手法である。
  論文  参考訳（メタデータ） (2023-08-14T16:34:47Z)
• Latte: Cross-framework Python Package for Evaluation of Latent-Based Generative Models [65.51757376525798]
  Latteは、潜伏型生成モデルを評価するためのPythonライブラリである。 LatteはPyTorchと/Kerasの両方と互換性があり、関数型APIとモジュール型APIの両方を提供する。
  論文  参考訳（メタデータ） (2021-12-20T16:00:28Z)
• Transformers Can Do Bayesian Inference [56.99390658880008]
  我々はPFN(Presideed Data Fitted Networks)を提案する。 PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。 我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
  論文  参考訳（メタデータ） (2021-12-20T13:07:39Z)
• 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)

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。