Apr, 2023

Memento: 促进轻松、高效、可靠的机器学习实验

PDF
TL;DR本文介绍了 Memento，这是一个 Python 软件包，旨在帮助研究人员和数据科学家高效管理和执行计算密集型实验，以简化机器学习实验的复杂性。
machine learningunified frameworkmementopython packageexperimental pipeline
发现论文，激发创造
  • MLXP：Python 中可复制机器学习实验的框架

    利用 MLXP 工具，可以简化实验流程，降低操作难度，并确保高度的复现性。

    Feb, 2024

  • 缓存和可复现性：使数据科学实验更快、更公平

    本文建议将缓存作为数据科学项目中研究软件开发过程的组成部分，以促进实验的重现性和可持续发展，从而实现对数据相关性越来越公平。

    Nov, 2022

  • PyExperimenter：轻松分发实验并跟踪结果

    PyExperimenter 是一个自动化工具，旨在帮助人工智能领域的研究人员设置、记录、执行和后续评估算法的实证研究结果，从而显着减少涉及的手动工作。

    Jan, 2023

  • 扫描透射电子显微镜自动实验的深度学习

    本论文探讨了在电子显微镜中使用机器学习来进行数据分析和优化工作流程的挑战，并讨论了人类科学家和机器学习在实验工作流程中的相对贡献以及开发通用超级语言的需求。

    Apr, 2023

  • 通过终身实验数据库 (LDE) 实现实验重现性和元学习

    我们提出了一个长期实验数据库（LDE），可以自动提取和存储实验相关的元数据，并提供重新生成这些元数据的功能，还可以进行元学习。LDE 具有标准化的存储方式，利于查询和聚合数据，并提高元学习的性能表现。

    Feb, 2022

  • 机器学习流水线：来源追溯性、可重现性和 FAIR 数据原则

    本文介绍了支持机器学习流程端到端可重复性的目标和初步步骤，探讨了除源代码和数据集可用性之外影响机器学习实验证明性的因素，并提出了将 FAIR 数据实践应用于机器学习流程的方法。文中将 ProvBook 作为工具，分析了 Jupyter Notebooks 捕捉和比较机器学习实验及其可重复性的初步结果。

    Jun, 2020

  • 流式学习的高效记忆回放

    本文介绍了一种名为 ExStream 的算法，通过内存高效的复习来避免深度神经网络在流式学习中出现的灾难性遗忘问题，与传统算法相比表现更好。

    Sep, 2018

  • 面向持续终身学习的可扩展回忆

    本文提出一种新的可扩展体系结构和训练算法解决 Deep Learning 在 lifelong learning 场景中面临的挑战，尤其是在训练时间和内存限制下存储经验的问题，并在性能评估中取得了显著提升。

    Nov, 2017

  • 机器学习训练在实际处理内存系统上的实验评估

    研究探讨了基于内存为中心的计算系统中处理器内存访问瓶颈和大量能量消耗的解决方案，考察 PIM 架构对机器学习算法训练的潜力，通过评估经典算法在 PIM 和传统 CPU、GPU 上的性能、准确度和扩展性对比，表现出更高效的处理机制和更好的加速效果。

    Jul, 2022

  • 持久化机器学习的事务性 Python：愿景、挑战和可行性

    本文介绍了事务 Python 的愿景，其提供了 DART 而无需对用户程序或 Python kernel 进行任何代码修改，通过在对象级别上非侵入性地监视应用程序状态并确定最少量的信息，足以重构整个应用程序。我们对公共 PyTorch 和 scikit-learn 应用程序的概念证明实现进行的评估表明，DART 的开销范围为 1.5％-15.6％。

    May, 2023