CLAIMED, a visual and scalable component library for Trusted AI
IBM；University Hospital of Basel（巴塞尔大学医院）
深度学习模型越来越受欢迎，但对可解释性、对抗性鲁棒性和公平性的限制通常是生产部署的主要问题。尽管开源生态系统在解决这些问题方面非常丰富，但开源缺乏完全集成的端到端系统。因此，我们在Kubernetes之上为生产级机器学习提供了一个完全开源、可重用的组件框架、可视化编辑器和执行引擎，这是IBM和巴塞尔大学医院的共同努力。它使用Kubeflow Pipelines，AI Explainability360工具包，AI Fairness360工具包和ElyraAI，Kubeflow，Kubernetes和Adversarial Robustness Toolkit。使用Elyra管道编辑器，可以使用一组jupyter笔记本可视化地开发AI管道。
2021-03-04 cs.LG stat.AP
gfnx: Fast and Scalable Library for Generative Flow Networks in JAX
École Polytechnique（巴黎政治学院）；HSE University（俄罗斯高等经济大学）；Constructor University（Constructor大学）
gfnx是基于JAX的生成流网络快速可扩展库，提供多种环境和度量标准，显著提升训练和评估效率。
2025-11-20 cs.LG
Salesforce CausalAI Library: A Fast and Scalable Framework for Causal Analysis of Time Series and Tabular Data
Salesforce（赛富时）；Carnegie Mellon University（卡内基梅隆大学）
本文介绍开源库 Salesforce CausalAI，支持表格与时间序列数据的因果发现和推断，具备线性和非线性算法、多进程加速、可控数据生成及无代码 UI，旨在提供快速灵活的因果分析解决方案。
2023-09-23 cs.AI cs.LG
FedML: A Research Library and Benchmark for Federated Machine Learning
Tencent（腾讯）；WeBank（微众银行）
联邦学习是机器学习中一个快速发展的研究领域。然而，现有的FL库不能充分支持不同的算法开发;不一致的数据集和模型使用使得公平的算法比较具有挑战性。在这项工作中，我们引入FedML，一个开放的研究库和基准，以促进FL算法的开发和公平的性能比较。FedML支持三种计算范例：边缘设备的设备上训练、分布式计算和单机仿真。FedML还通过灵活和通用的API设计以及全面的参考基线实现（优化器、模型和数据集）促进了多样化的算法研究。我们希望FedML能够为FL算法的开发和评估提供一种高效且可重复的方法，从而使FL研究社区受益。我们在https://fedml.ai上维护源代码、文档和用户社区。
2020-11-08 cs.LG stat.ML
Deep Fast Machine Learning Utils: A Python Library for Streamlined Machine Learning Prototyping
University of Jyväskylä（于韦斯屈莱大学）；Finnish Artificial Intelligence Research Network（芬兰人工智能研究网络）
针对机器学习研究应用中原型构建、特征选择等步骤耗时的问题，推出兼容主流框架的DFMLU Python库，提供模型搜索、特征选择等工具，附示例以简化ML原型开发。
2024-09-14 cs.LG
MARLlib: A Scalable and Efficient Multi-agent Reinforcement Learning Library
ReLER, AAII, University of Technology Sydney（悉尼科技大学）；Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）；NetEase Fuxi AI Lab（网易伏羲人工智能实验室）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；School of Intelligent Systems Engineering, Sun Yat-sen University（中山大学智能工程学院）；Shandong Artificial Intelligence Institute, Qilu University of Technology（齐鲁工业大学山东省人工智能研究院）
针对多智能体强化学习领域缺乏兼容高效开发库的问题，研究人员提出MARLlib库，通过标准化环境封装、智能体级算法实现和灵活策略映射三大机制解耦任务与算法，实现自动适配训练策略，且代码已开源。
2023-11-06 cs.AI cs.LG cs.MA
Uncertainty Toolbox: an Open-Source Library for Assessing, Visualizing, and Improving Uncertainty Quantification
Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所）；Computer Science Department, Stanford University（斯坦福大学计算机科学系）
随着机器学习系统在各种现实任务中的部署越来越多，对预测不确定性的准确量化的需求也越来越大。虽然机器学习中的不确定性量化（UQ）的共同目标是近似目标数据的真实分布，但UQ中的许多工作在所使用的评估指标中往往是不相交的，并且每个指标的不同实现导致在不同工作中不能直接比较的数值结果。为了解决这个问题，我们引入了Uncertainty，这是一个开源的Python库，可以帮助评估，可视化和改进UQ。Uncertainty还提供教学资源，例如关键术语词汇表和有组织的关键论文参考资料。我们希望这个工具箱有助于加速和统一机器学习中不确定性的研究工作。
2021-09-21 cs.LG stat.ML
A Library for Representing Python Programs as Graphs for Machine Learning
Google Research（谷歌研究院）；Carnegie Mellon University（卡内基梅隆大学）
程序的图形表示通常是用于代码研究的机器学习的核心元素。我们介绍了一个开源Python库python_graphs，它应用静态分析来构建适合于训练机器学习模型的Python程序的图表示。我们的库允许构建控制流图、数据流图和组合“程序图”，这些图结合了关于程序的控制流、数据流、语法和词汇信息。我们提出的功能和限制的图书馆，执行一个案例研究，将图书馆数百万的竞争性编程提交，并展示图书馆的效用机器学习研究。
2022-08-15 cs.LG cs.PL cs.SE
Brain Predictability toolbox: a Python library for neuroimaging based machine learning
University of Vermont（佛蒙特大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
大脑可预测性工具箱（BPt）表示机器学习（ML）工具的统一框架，其被设计为与表格数据（特别是大脑、精神、行为和生理变量）和神经成像特定的衍生数据（例如，脑体积和表面）。该软件包适用于研究各种不同的基于神经成像的ML问题，特别是那些从大型人类数据集查询的问题。可用性和实施BPt已开发为开源Python 3.6+包，托管在https://github.com/sahahn/BPt上，根据MIT许可证，文档在https：//bpt.readthedocs.io/en/latest/提供，并继续积极开发。该项目可以通过提供的github链接下载。基于相同代码的Web GUI界面目前正在开发中，可以通过docker进行设置，说明见https://github.com/sahahn/BPt_app。联系方式请联系Sage Hahn，网址为sahahn@uvm.edu
2020-11-03 cs.LG stat.ML
Encog: Library of Interchangeable Machine Learning Models for Java and C#
Nova Southeastern University（诺瓦东南大学）
本文介绍了用于Java和C#的Encog库，这是一个可扩展的，自适应的，多平台的机器学习框架，于2008年首次发布。Encog允许使用回归、分类和聚类将各种机器学习模型应用于数据集。各种受支持的机器学习模型可以互换使用，并具有最小的重新编码。Encog使用高效的多线程代码，通过利用现代多核处理器来减少训练时间。当前版本的Encog可以从http://www.encog.org下载。
2015-06-15 cs.LG cs.MS
Frouros: A Python library for drift detection in machine learning systems
Instituto de Física de Cantabria (IFCA), CSIC-UC（坎塔布里亚物理研究所（IFCA），西班牙国家研究委员会-坎塔布里亚大学）
本文介绍开源 Python 库 Frouros，它集成经典与新型概念漂移及数据漂移算法，具备框架兼容性、易适配性、可维护性和可扩展性。
2023-07-23 cs.LG
JAX-Privacy: A library for differentially private machine learning
JAX-Privacy 是一个用于差分隐私机器学习的库，提供模块化原语和最新研究成果，兼顾研究者和实践者的不同需求。
2026-02-19 cs.LG
Augmentor: An Image Augmentation Library for Machine Learning
Institute for Medical Informatics, Statistics, and Documentation（医学信息学、统计学与文献研究所）；Medical University of Graz（格拉茨医科大学）
基于现有观测生成人工数据，称为数据增强，是机器学习中用于提高模型准确性、泛化和控制过拟合的技术。Augmentor是一个软件包，有Python和Julia两个版本，它提供了一个高级API，用于使用随机的、基于管道的方法扩展图像数据，该方法有效地允许在运行时从增强图像的分布中采样图像。Augmentor提供了用于大多数标准增强实践的方法以及一些高级功能，例如标签保留，随机弹性变形，并为机器学习中使用的典型增强任务提供了许多帮助函数。
2017-08-11 cs.CV cs.LG stat.ML
TorchCraft: a Library for Machine Learning Research on Real-Time Strategy Games
我们介绍了TorchCraft，一个支持对实时的【形】战略（RTS）游戏进行深度学习研究的库，例如星际争霸：母巢之战，通过从机器学习框架（这里是Torch）更容易控制这些游戏。本白皮书主张使用RTS游戏作为AI研究的基准，并描述了TorchCraft的设计和组件。
2016-11-03 cs.AI cs.LG
TensorNetwork: A Library for Physics and Machine Learning
Alphabet (Google) X（Alphabet（谷歌）X）；Perimeter Institute for Theoretical Physics（圆周理论物理研究所）；Google, Inc.（谷歌公司）
TensorNetwork是一个用于实现张量网络算法的开源库。张量网络是最初设计用于模拟量子多体物理的稀疏数据结构，但目前也应用于许多其他研究领域，包括机器学习。我们演示了API在物理和机器学习应用中的使用，详细信息见配套论文。
2019-05-03 cond-mat.str-el cs.LG hep-th
Kernel methods library for pattern analysis and machine learning in python
Rotman Research Institute（罗特曼研究所）；Baycrest Health Sciences（贝里克雷斯健康科学中心）
核方法已被证明是用于各种领域中的模式分析和机器学习（ML）的强大技术。然而，它们的许多原始或高级实现仍然保留在Matlab中。随着Python在机器学习和数据科学领域令人难以置信的崛起和采用，显然需要一个定义良好的库，不仅可以使用流行的内核，还可以轻松定义自定义内核，以便针对不同的应用程序进行微调。kernelmethods库以一种与域无关的方式填补了python ML生态系统中的这一重要空白，允许样本数据类型是数值、分类、图形或它们的组合。此外，该库提供了许多定义良好的类，以使各种基于内核的操作高效（对于大规模数据集），模块化（便于领域自适应）和可互操作（跨不同生态系统）。该库可在https://github.com/raamana/kernelmethods上查阅。
2020-05-27 cs.CV cs.LG stat.CO
Ecole: A Gym-like Library for Machine Learning in Combinatorial Optimization Solvers
Mila（米拉）；Polytechnique Montréal（蒙特利尔理工学院）；Technische Universiteit Delft（代尔夫特理工大学）
我们提出了Ecole，一个新的库，以简化组合优化的机器学习研究。Ecole揭示了在通用组合优化求解器中出现的几个关键决策任务，作为马尔可夫决策过程的控制问题。它的界面模仿了流行的OpenAI Gym库，可扩展且使用直观。我们的目标是使这个图书馆成为一个标准化的平台，降低进入门槛，加速该领域的创新。文档和代码可以在https://www.ecole.ai上找到。
2020-11-24 cs.LG math.OC
ElegantRL-Podracer: Scalable and Elastic Library for Cloud-Native Deep Reinforcement Learning
Columbia University（哥伦比亚大学）；University of California, Berkeley（加州大学伯克利分校）；Shenzhen Inst. of Advanced Tech.（深圳先进技术研究院）；Northwestern University（西北大学）；Bell labs（贝尔实验室）；Amazon（亚马逊）；IDEA Research（IDEA研究院）
深度强化学习（DRL）彻底改变了游戏和机器人控制等应用中的学习和驱动。数据汇集的成本，即，从主体-环境交互产生过渡，仍然是在复杂的现实世界问题中更广泛采用DRL的主要挑战。遵循云原生范例在GPU云平台上训练DRL代理是一种很有前途的解决方案。在本文中，我们提出了一个可扩展的弹性库ElegantRL-podracer，用于云原生深度强化学习，它有效地支持数百万GPU核心在多个级别上进行大规模并行训练。在高层次上，ElegantRL-podracer采用基于锦标赛的集成方案，在数百甚至数千个GPU上编排训练过程，调度排行榜和数百个pod的训练池之间的交互。在低级别上，每个pod通过在单个GPU中充分利用近7，000个GPU CUDA核心来并行模拟代理-环境交互。我们的ElegantRL-podracer库遵循容器化、微服务和MLOps的开发原则，具有高可扩展性、弹性和可访问性。使用NVIDIA DGX SuperPOD云，我们对运动和股票交易中的各种任务进行了广泛的实验，并表明ElegantRL-podracer的性能大大优于RLlib。我们的代码可以在GitHub上找到。
2022-04-04 cs.AI cs.DC cs.LG
MANGO: A Python Library for Parallel Hyperparameter Tuning
Arm（安谋科技）
调整机器学习算法的超参数是一项繁琐的任务，通常是手动完成的。为了实现自动化的超参数调整，最近的工作已经开始使用基于贝叶斯优化的技术。然而，为了实际上实现大规模机器学习训练管道的自动调整，现有库中仍然存在显著的差距，包括缺乏抽象、容错和灵活性以支持任何分布式计算框架上的调度。为了解决这些挑战，我们提出了Mango，一个用于并行超参数调优的Python库。Mango支持使用任何分布式调度框架，实现智能并行搜索策略，并提供丰富的抽象来定义与scikit-learn兼容的复杂超参数搜索空间。Mango在性能上与另一个广泛使用的库Hyperopt相当。Mango是开源的，目前在Arm Research的生产中使用，以提供最先进的超参数调整功能。
2020-05-22 cs.LG stat.ML
TorchKM: A GPU-Oriented Library for Kernel Learning and Model Selection
University of Iowa（爱荷华大学）；University of Minnesota（明尼苏达大学）；Individual Researcher（独立研究者）；AIScientists, Inc. (MorphMind)（AIScientists公司（MorphMind））；Department of Statistics and Actuarial Science, University of Iowa（爱荷华大学统计与精算科学系）
提出GPU加速的核学习库TorchKM，通过智能复用矩阵运算加速SVM、核逻辑回归等模型的训练与模型选择，性能优于标准基线。
2026-06-09 cs.LG stat.ML
Flexible and Scalable Deep Learning with MMLSpark
Azure Machine Learning（Azure 机器学习）；Microsoft New England Research and Development（微软新英格兰研发中心）
在这项工作中，我们详细介绍了一个新的开源库，称为MMLSpark，它结合了灵活的深度学习库认知工具包，与分布式计算框架Apache Spark。为了实现这一点，我们将Java语言绑定贡献给了Cognitive Toolkit，并向Spark生态系统添加了几个新组件。此外，我们还将流行的图像处理库OpenCV与Spark集成在一起，并提供了一个工具，用于从任何SparkML估计器自动生成PySpark包装器，并使用该工具将所有工作暴露给PySpark生态系统。最后，我们提供了一个大型的工具库，用于在Spark生态系统中工作和开发。我们将这项工作应用于相机陷阱图像中雪豹的自动分类，并为非营利性保护组织雪豹信托提供端到端的解决方案。
2018-04-11 cs.DC cs.LG
Differentiable Computational Geometry for 2D and 3D machine learning
University of Michigan（密歇根大学）
随着基于几何图元的机器学习算法的发展，需要一个高效的可微几何算子库。我们提出了一个优化的可微几何算法库（DGAL）加载的几何图元，如线和多边形的可微运算符的实现。该库是一个仅头部模板化的C++库，支持GPU。我们讨论了库的内部设计，并与其他实现的一些任务的基准测试其性能。
2020-11-22 cs.CG cs.GR cs.LG
Combining Machine Learning Models using combo Library
Carnegie Mellon University（卡内基梅隆大学）
模型组合作为集成学习的一个重要分支，在学术研究和工业应用中得到了广泛的应用。为了促进这一过程，我们提出并实现了一个易于使用的Python工具包combo，以在各种场景下聚合模型和分数，包括分类，聚类和异常检测。简而言之，combo提供了一种统一一致的方式来组合来自流行机器学习库的原始模型和预训练模型，例如，scikit-learn、XGBoost和LightGBM。考虑到可访问性和健壮性，combo设计了详细的文档，交互式示例，持续集成，代码覆盖率和可维护性检查;它可以通过Python包索引（PyPI）或https://github.com/yzhao062/combo轻松安装。
2019-11-23 cs.IR cs.LG stat.ML
CLT-Forge: A Scalable Library for Cross-Layer Transcoders and Attribution Graphs
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Jinesis AI Lab（Jinesis人工智能实验室）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）；CMU（卡内基梅隆大学）；EuroSafeAI；ELLIS Institute Tübingen（图宾根ELLIS研究所）
本文提出CLT-Forge库，通过分布式训练、模型分片和压缩激活缓存提升跨层转码器的可扩展性，提供统一的可解释性流程和可视化接口，解决归因图的冗余问题。
2026-07-22 cs.CL cs.LG
Linearized Optimal Transport pyLOT Library: A Toolkit for Machine Learning on Point Clouds
University of California San Diego（加利福尼亚大学圣迭戈分校）；Brown University（布朗大学）
pyLOT 库将概率分布通过最优传输映射线性化嵌入希尔伯特空间，使点云上的分类、聚类、降维和数据生成等任务可用现成线性算法完成，并在狐猴牙齿 3D 扫描上验证了有效性。
2025-02-05 cs.LG cs.MS stat.CO
Merlion: A Machine Learning Library for Time Series
Salesforce（赛富时）；AI Research, Salesforce（赛富时人工智能研究院）；Monitoring Cloud, Salesforce（赛富时监控云部门）；Warden AIOps, Salesforce（赛富时Warden AIOps部门）；Service Protection, Salesforce（赛富时服务保护部门）
我们介绍Merlion，一个用于时间序列的开源机器学习库。它为许多常用的模型和数据集提供了统一的界面，用于单变量和多变量时间序列的异常检测和预测，以及标准的前/后处理层。它有几个模块来提高易用性，包括可视化，异常评分校准以提高可解释性，AutoML用于超参数调整和模型选择，以及模型集成。Merlion还提供了一个独特的评估框架，可以模拟生产中模型的实时部署和重新训练。该库旨在为工程师和研究人员提供一站式解决方案，以快速开发满足其特定时间序列需求的模型，并在多个时间序列数据集上对其进行基准测试。在这份技术报告中，我们重点介绍了鱼尾狮的架构和主要功能，并报告了不同基准模型和集成的基准数据。
2021-09-20 cs.LG cs.MS stat.ML
$\texttt{skwdro}$: a library for Wasserstein distributionally robust machine learning
Univ. Grenoble Alpes, CNRS, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学、国家科学研究中心、格勒诺布尔INP、LJK研究中心）
skwdro是一个基于Wasserstein距离的分布鲁棒优化库，通过PyTorch封装器简化鲁棒机器学习模型的训练。
2026-01-09 cs.LG cs.MS math.OC
Deepchecks: A Library for Testing and Validating Machine Learning Models and Data
Deepchecks Ltd.（Deepchecks有限公司）；Ben-Gurion University of the Negev（内盖夫本-古里安大学）
本文介绍了Deepchecks，这是一个用于全面验证机器学习模型和数据的Python库。我们的目标是提供一个易于使用的库，其中包含与各种类型问题相关的许多检查，例如模型预测性能，数据完整性，数据分布不匹配等。该软件包在GNU Affero通用公共许可证（AGPL）下分发，并依赖于科学Python生态系统的核心库：scikit-learn，PyTorch，NumPy，pandas和SciPy。可以在\url{https://github.com/deepchecks/deepchecks}和\url{https://docs.deepchecks.com/}上找到源代码、文档、示例和广泛的用户指南。
2022-03-16 cs.LG cs.SE
MILJS : Brand New JavaScript Libraries for Matrix Calculation and Machine Learning
The University of Tokyo（东京大学）
MILJS是一组最先进的、平台无关的、可扩展的、快速的JavaScript库，用于矩阵计算和机器学习。我们提供矩阵计算的核心库称为Sushi，它的性能远远优于任何其他用JavaScript编写的领先机器学习库。特别是，我们的矩阵乘法比最快的JavaScript基准快177倍。基于Sushi，提供了一个名为Tempura的机器学习库，它支持机器学习研究中广泛使用的各种算法。我们还提供Soba作为可视化库。我们的库的实现都写得很清楚，有适当的文档，因此只要有Web浏览器，就可以很容易地开始使用。这些库可以在MIT许可下从http://mil-tokyo.github.io/获得。
2015-02-21 cs.LG cs.MS stat.ML
WAX-ML: A Python library for machine learning and feedback loops on streaming data
Capital Fund Management（资本基金管理公司）
蜡是你放在冲浪板上防止滑倒的东西。这是一个必不可少的工具去冲浪.我们介绍了WAX-ML，一个面向研究的Python库，提供了设计强大的机器学习算法和流数据反馈循环的工具。它努力用专用于时间序列的工具来补充JAX。WAX-ML使基于JAX的程序易于使用，最终用户可以使用pandas和xarray进行数据操作。它提供了一种简单的机制来实现反馈循环，允许使用函数实现在线学习和强化学习算法，并使最终用户可以轻松地使用Gym库中的面向对象的强化学习框架进行集成。它在GitHub上以Apache开源许可证发布，网址为https://github.com/eserie/wax-ml。
2021-06-11 cs.CL cs.LG
AdversariaLib: An Open-source Library for the Security Evaluation of Machine Learning Algorithms Under Attack
University of Cagliari（卡利亚里大学）
我们提出了AdversariaLib，一个开源的Python库，用于机器学习（ML）对精心定位的攻击的安全评估。它支持迄今为止在对抗学习文献中提出的几种攻击的实现，允许评估各种ML算法，在多个平台上运行，并启用多处理。该库具有模块化架构，易于使用，并通过实施新颖的攻击和对策进行扩展。它依赖于其他广泛使用的开源ML库，包括scikit-learn和FANN。分类算法在C/C ++中实现和优化，允许对模拟攻击进行快速评估。该软件包在GNU通用公共许可证v3下分发，可以在www.example.com下载。
2016-11-15 cs.CR cs.LG
BackboneLearn: A Library for Scaling Mixed-Integer Optimization-Based Machine Learning
HEC Paris（巴黎高等商学院）
BackboneLearn是一个开源Python框架，通过backbone算法高效扩展高维混合整数优化问题，在可解释监督和无监督学习中比精确方法更快、比启发式方法更准。
2023-11-22 cs.LG math.OC stat.ML
Target-Aware Bandit Allocation for Scalable Surrogate Optimization in Chemical Space
提出BOBa框架，通过多臂Bandit自适应分配计算资源到动作空间分区，消除全库代理推理瓶颈，在真实合成库上实现可调节的筛选性能与推理成本权衡。
2026-06-26 cs.LG
sQUlearn -- A Python Library for Quantum Machine Learning
Fraunhofer Institute for Manufacturing Engineering and Automation IPA（弗劳恩霍夫制造工程与自动化研究所）
本文介绍面向 NISQ 的 QML Python 库 sQUlearn，其双层架构整合量子核方法、量子神经网络、自动化执行与框架切换，以衔接量子计算能力和实际机器学习应用。
2024-04-19 cs.LG quant-ph
DRO: A Python Library for Distributionally Robust Optimization in Machine Learning
本文介绍了dro，一个兼容scikit-learn和PyTorch的开源Python库，支持79种分布鲁棒优化方法，并通过向量化与优化近似技术实现10倍至1000倍以上的运行加速。
2026-11-03 cs.LG cs.MS cs.NA
fastFM: A Library for Factorization Machines
University of Konstanz（康斯坦茨大学）
因式分解机（FM）仅用于范围很窄的应用程序中，并且不是机器学习模型的标准工具箱的一部分。这是一个遗憾，因为即使FM被认为是非常成功的推荐系统类型的应用程序，他们是一个通用的模型来处理稀疏和高维特征。我们的因式分解机实现提供了对许多求解器的轻松访问，并支持回归、分类和排名任务。这样的实施方式简化了FM在广泛应用领域的使用。这种实现有可能提高我们对FM模型的理解并推动新的发展。
2016-11-23 cs.IR cs.LG
Designing and building the mlpack open-source machine learning library
Center for Advanced Machine Learning, Symantec Corporation（赛门铁克公司高级机器学习中心）；Institute of Computer Science, Free University of Berlin（柏林自由大学计算机科学研究所）
mlpack是一个开源的C++机器学习库，强调速度和灵活性。自2007年成立以来，它已经发展成为一个实施各种机器学习算法的大型项目，从决策树和逻辑回归等标准技术到深度神经网络等现代技术以及其他最近发布的尖端技术，这些技术在任何其他库中都找不到。mlpack相当快，基准测试显示mlpack优于其他库的相同方法的实现。mlpack有一个活跃的社区，贡献者来自世界各地-包括一些来自PUST。这篇简短的论文描述了mlpack的目标和设计，讨论了开源社区如何运作，并展示了一个简单的数据科学问题的mlpack示例用法。
2017-08-30 cs.LG cs.MS cs.SE
Yggdrasil Decision Forests: A Fast and Extensible Decision Forests Library
Google（谷歌）；Pinecone
本文介绍了 Yggdrasil Decision Forests 库，阐述其四项设计原则及多语言接口，并通过经典机器学习任务和基准测试验证其易用性、安全性与性能。
2023-05-31 cs.LG
ktrain: A Low-Code Library for Augmented Machine Learning
Institute for Defense Analyses（美国国防分析研究所）
我们介绍了ktrain，一个低代码的Python库，它使机器学习更容易访问和应用。作为TensorFlow和许多其他库的包装器（例如，Transformers，scikit-learn，stellargraph），它旨在使复杂的，最先进的机器学习模型易于构建，训练，检查和初学者和经验丰富的从业者应用。具有支持文本数据的模块（例如，文本分类、序列标记、开放域问答），视觉数据（例如，图像分类），图形数据（例如，节点分类、链接预测）和表格数据，Ktrain提供了一个简单的统一接口，使得人们能够在少至三个或四个“命令”或代码行中快速解决各种各样的任务。
2022-04-05 cs.CL cs.CV cs.LG
secml: A Python Library for Secure and Explainable Machine Learning
University of Cagliari（卡利亚里大学）；Pluribus One
我们介绍了\texttt{secml}，一个用于安全和可解释的机器学习的开源Python库。它实现了针对机器学习的最流行的攻击，包括针对深度神经网络生成对抗性示例的测试时规避攻击，以及针对支持向量机和许多其他算法的训练时中毒攻击。这些攻击可以评估学习算法的安全性以及白盒和黑盒威胁模型下的相应防御。为此，\texttt{secml}提供内置函数来计算安全评估曲线，显示随着输入数据的对抗性扰动增加，分类性能下降的速度有多快。\texttt{secml}还包括可解释性方法，通过可视化最具影响力的特征和训练有助于每个决策的原型，帮助理解对抗攻击成功攻击给定模型的原因。它在Apache License 2.0下发布，并托管在\url{https://github.com/pralab/secml}上。
2022-05-13 cs.CR cs.CV cs.GT
EmbeddedML: A New Optimized and Fast Machine Learning Library
Bursa Technical University（布尔萨技术大学）
本文提出了一种数学增强且训练时间优化的机器学习库 EmbeddedML，通过重写 Logistic Regression 和 SVM 等算法，在保持精度的同时显著缩短了大型数据集上的训练时间。
2025-09-16 cs.AI cs.LG
AugLiChem: Data Augmentation Library of Chemical Structures for Machine Learning
Carnegie Mellon University（卡内基梅隆大学）
机器学习（ML）已经证明了对分子和晶体材料的准确和有效的性质预测的希望。为了开发用于化学结构性质预测的高度准确的ML模型，需要具有足够样本的数据集。然而，获得干净和足够的化学性质数据可能是昂贵和耗时的，这极大地限制了ML模型的性能。受计算机视觉和自然语言处理中数据增强成功的启发，我们开发了AugLiChem：用于化学结构的数据增强库。介绍了晶体系统和分子的增强方法，这些方法可用于基于指纹的ML模型和图神经网络（GNN）。我们表明，使用我们的增强策略显着提高了ML模型的性能，特别是在使用GNN时。此外，我们开发的增强功能可以在培训期间用作直接插件模块，并且通过AugliChem库与不同的GNN模型一起实施时已经证明了有效性。用于我们实现Auglichem的基于Python的包：化学结构的数据增强库，可在https://github.com/BaratiLab/AugLiChem上公开获得。
2021-12-01 cs.LG physics.chem-ph
TAGTorch: A PyTorch Library for Geometry, Topology, and Symmetry-Aware Machine Learning
Pacific Northwest National Laboratory（西北太平洋国家实验室）；University of Texas at El Paso（德克萨斯大学埃尔帕索分校）；University of Washington（华盛顿大学）
针对几何拓扑对称感知机器学习软件生态碎片化问题，推出基于PyTorch的开源库TAGTorch，统一相关工具并阐述其设计架构与未来开发重点。
2026-08-03 cs.LG
BayesSimIG: Scalable Parameter Inference for Adaptive Domain Randomization with IsaacGym
Stanford University（斯坦福大学）；NVIDIA（英伟达）；University of Sydney（悉尼大学）
BayesSim是一种基于模拟参数的无似然推断的强化学习中域随机化的统计技术。本文概述了BayesSimIG：一个库，它提供了与最近发布的NVIDIA IsaacGym集成的BayesSim实现。这种组合允许通过端到端GPU加速进行大规模参数推断。推理和仿真都获得了GPU加速，支持运行超过10K的并行仿真环境，用于复杂的机器人任务，这些任务可能需要估计100多个仿真参数。BayesSimIG提供了与TensorBoard的集成，可以轻松地可视化高维后验的切片。该库以内置的模块化方式构建，以新颖的方式收集和处理来自并行IsaacGym环境的轨迹，从而支持研究实验。
2021-07-09 cs.LG cs.RO
Captum: A unified and generic model interpretability library for PyTorch
Facebook AI（Facebook 人工智能研究院）
在本文中，我们为PyTorch引入了一个新颖的，统一的，开源的模型可解释性库[12]。该库包含许多基于梯度和扰动的归因算法的通用实现，也称为特征、神经元和层重要性算法，以及这些算法的一组评估指标。它可以用于分类和非分类模型，包括建立在神经网络（NN）上的图结构模型。在本文中，我们给出了一个高层次的概述支持的属性算法，并显示如何执行内存效率和可扩展的计算。我们强调，图书馆的三个主要特点是多模态，可扩展性和易用性。多模态支持不同模态的输入，例如图像、文本、音频或视频。可扩展性允许添加新的算法和功能。该库还旨在易于理解和使用。此外，我们还介绍了一个名为Captum Insights的交互式可视化工具，该工具构建在Captum库之上，允许基于样本的模型调试和使用特征重要性度量的可视化。
2020-09-16 cs.AI cs.LG stat.ML
TenSEAL: A Library for Encrypted Tensor Operations Using Homomorphic Encryption
École Supérieure en Informatique, Sidi Bel Abbès（西迪贝勒阿巴斯高等信息学院）；OpenMined
机器学习算法已经取得了令人瞩目的成果，并在各个领域得到了广泛的应用。这些算法通常依赖于敏感和私人数据，如医疗和财务记录。因此，必须进一步关注应用于机器学习模型的隐私威胁和相应的防御技术。在本文中，我们介绍了TenSEAL，一个使用同态加密的隐私保护机器学习的开源库，可以很容易地集成到流行的机器学习框架中。我们使用MNIST对我们的实现进行基准测试，并表明加密的卷积神经网络可以在不到一秒的时间内进行评估，使用不到半兆字节的通信。
2021-04-28 cs.CR cs.LG
DLL: A Blazing Fast Deep Neural Network Library
HES-SO, University of Applied Science of Western Switzerland University of Fribourg, Switzerland（瑞士西部应用科学与艺术大学（HES-SO）、弗里堡大学）
深度学习库（DLL）是一个用于机器学习的新库，它具有深度神经网络，专注于速度。它支持前馈神经网络，如全连接人工神经网络（ANN）和卷积神经网络（CNN）。它还非常全面地支持受限玻尔兹曼机（RBM）和卷积RBM。我们这项工作的主要动机是提出和评估新的软件工程策略，有可能加快训练和推理的运行时间。这些策略大多独立于底层的深度学习算法。在三个不同的数据集和四个不同的神经网络模型上，我们将DLL与五个流行的深度学习框架进行了比较。实验表明，该框架在CPU和GPU上的速度明显提高。在分类性能方面，报告了与其他框架类似的准确性。
2018-04-11 cs.CV cs.LG stat.ML
MLFMF: Data Sets for Machine Learning for Mathematical Formalization
Faculty of Mathematics and Physics（数学与物理学院）；University of Ljubljana（卢布尔雅那大学）；Institute for Mathematics, Physics and Mechanics（数学、物理与力学研究所）；Jožef Stefan Institute（约热夫·斯特凡研究所）
本文提出 MLFMF 数据集，用于基准测试支持数学形式化的推荐系统，涵盖 Agda 和 Lean 库的异构网络与 s-表达式，并基于多种算法提供基线结果，是目前最大的机器可读形式化数学知识集合。
2023-10-24 cs.LG
Qiskit Machine Learning: an open-source library for quantum machine learning tasks at scale on quantum hardware and classical simulators
The Hartree Centre, STFC, Sci-Tech Daresbury, Warrington, WA4 4AD, United Kingdom（哈特里中心，英国科学与技术研究院，达尔斯伯里科技，沃林顿，WA4 4AD，英国）；IBM Quantum, IBM T.J. Watson Research Center, Yorktown Heights, NY 10598, USA（IBM量子，IBM沃森研究中心，Yorktown Heights，纽约10598，美国）；IBM Quantum, IBM Research Europe – Dublin, Ireland（IBM量子，IBM欧洲研究院–都柏林，爱尔兰）；IBM Research – UK（IBM英国研究院）；IBM Quantum, IBM Research – Tokyo, Tokyo 103-8510, Japan（IBM量子，IBM东京研究院，东京103-8510，日本）
Qiskit ML是一个开源Python库，通过抽象Qiskit原语，在量子硬件和经典模拟器上实现大规模量子机器学习，兼顾易用性与可扩展性。
2025-05-23 cs.ET cs.LG physics.comp-ph
PyTouch: A Machine Learning Library for Touch Processing
Facebook AI Research（脸书人工智能研究院）；University of California, Berkeley（加州大学伯克利分校）；Shanghai Jiao Tong University（上海交通大学）；Massachusetts Institute of Technology（麻省理工学院）
随着丰富的触觉传感器的可用性增加，对开源和集成软件的需求也同样成比例，这些软件能够有效地将原始触摸测量结果处理为可用于控制和决策的高级信号。在本文中，我们介绍了PyTouch -第一个专门用于处理触摸传感信号的机器学习库。PyTouch设计为模块化、易于使用，并提供最先进的触摸处理功能作为服务，其目标是通过提供一个库来构建可扩展的、经过验证的和性能验证的模块，从而统一触觉感知社区，应用程序和研究可以基于这些模块构建。我们评估PyTouch对现实世界的数据从几个触觉传感器上的触摸处理任务，如触摸检测，滑动和物体姿态估计。PyTouch在https://github.com/facebookresearch/pytouch上开源。
2021-05-26 cs.HC cs.LG cs.RO
IllinoisSL: A JAVA Library for Structured Prediction
Microsoft Research New England（微软新英格兰研究院）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Microsoft Research（微软研究院）；University of Utah（犹他大学）
IllinoisSL是一个用于学习结构化预测模型的Java库。它支持结构化支持向量机和结构化感知器。该库由一个核心学习模块和几个应用程序组成，可以从命令行执行。提供文档以指导用户。与其他结构化学习库相比，IllinoisSL具有高效、通用和易于使用的特点。
2015-09-23 cs.CL cs.LG stat.ML
DScribe: Library of Descriptors for Machine Learning in Materials Science
Aalto University（阿尔托大学）；Nanolayers Research Computing Ltd.（纳米层研究计算有限公司）；Norwegian University of Science and Technology（挪威科技大学）；Technische Universität München（慕尼黑工业大学）；Kanazawa University（金泽大学）
DScribe是一个用于机器学习的软件包，为原子材料模拟提供流行的特征转换（“描述符”）。DScribe通过提供用户友好的现成描述符实现，加速了机器学习在原子属性预测中的应用。该软件包目前包含库仑矩阵，埃瓦尔德和矩阵，正弦矩阵，多体张量表示（MBTR），原子中心对称函数（ACSF）和原子位置平滑重叠（SOAP）的实现。说明了两种不同的应用程序包的使用：固体的形成能预测和有机分子中的原子的离子电荷预测。该软件包在开源Apache许可证2.0下免费提供。
2019-04-18 cond-mat.mtrl-sci cs.LG
MXNet: A Flexible and Efficient Machine Learning Library for Heterogeneous Distributed Systems
U. Washington（华盛顿大学）；CMU（卡内基梅隆大学）；Stanford（斯坦福大学）；NUS（新加坡国立大学）；TuSimple（图森未来）；NYU（纽约大学）；Microsoft（微软）；U. Alberta（阿尔伯塔大学）；MIT（麻省理工学院）；NYU Shanghai（上海纽约大学）
MXNet是一个多语言机器学习（ML）库，用于简化ML算法的开发，特别是深度神经网络。嵌入在宿主语言中，它混合了声明性符号表达式和命令式张量计算。它提供自动微分来导出梯度。MXNet具有计算和内存效率，可在各种异构系统上运行，从移动设备到分布式GPU集群。本文描述了MXNet的API设计和系统实现，并解释了如何以统一的方式处理符号表达式和张量运算的嵌入。我们的初步实验表明，使用多个GPU机器的大规模深度神经网络应用程序的结果很有希望。
2015-12-03 cs.DC cs.LG cs.MS
tensorflow-riemopt: A Library for Optimization on Riemannian Manifolds
Microsoft（微软）
tensorflow-riemopt是一个用于在流形上进行优化的Python库，支持TensorFlow中的几何机器学习应用。
2025-12-17 cs.CG cs.LG cs.MS
