PySAD: A Streaming Anomaly Detection Framework in Python
Imperial College London（伦敦帝国学院）；Bilkent University（比尔肯大学）
PySAD 是一个 Python 流式异常检测框架，通过统一架构实现有界内存、单遍处理和常数时间复杂度的实时检测，集成 17+ 算法并兼容 PyOD 和 scikit-learn。
2025-05-25 cs.LG stat.ML
Neural Network Distiller: A Python Package For DNN Compression Research
Intel AI Lab（英特尔人工智能实验室）
本文介绍了神经网络Distiller的原理、设计和功能集，这是一个用于DNN压缩研究的开源Python包。Distiller是一个DNN压缩算法实现库，包含用于各种学习任务的工具，教程和示例应用程序。它的目标用户是工程师和研究人员，丰富的内容通过可扩展性设计来补充，以促进新的研究。Distiller是开源的，可以在Github上找到，网址是https://github.com/NervanaSystems/distiller。
2019-10-27 cs.LG stat.ML
CausalML: Python Package for Causal Machine Learning
Uber Technologies Inc.（优步技术公司）
Causal ML是与因果推理和机器学习相关的算法的Python实现。结合因果推理和机器学习的算法近年来一直是一个热门话题。这个包试图通过在Python中提供该领域的方法集合来弥合方法论理论工作和实际应用之间的差距。本文介绍了该包的关键概念、范围和用例。
2020-03-02 cs.CY cs.LG stat.CO
seqme: a Python library for evaluating biological sequence design
Institute of AI for Health, Helmholtz Munich（亥姆霍兹慕尼黑人工智能健康研究所）；Technical University of Munich（慕尼黑工业大学）；University of Warsaw（华沙大学）；Warsaw University of Technology（华沙理工大学）
seqme是一个模块化、可扩展的开源Python库，提供序列、嵌入和属性三类模型无关指标，用于统一评估小分子、DNA、RNA、肽和蛋白质等生物序列设计方法的保真度与属性达成情况，支持一次性和迭代式方法。
2025-11-06 cs.AI cs.LG
PyBADS: Fast and robust black-box optimization in Python
University of Geneva（日内瓦大学）；University of Applied Sciences and Art Western Switzerland (HES-SO)（瑞士西部应用科学与艺术大学（HES-SO））；University of Helsinki（赫尔辛基大学）
PyBADS是BADS算法的Python实现，旨在解决目标函数粗糙、计算成本高、有噪声且无梯度的黑盒优化问题，可高效扩展至20个参数，在多项基准测试中表现优于或持平于现有优化器。
2023-06-27 cs.LG stat.ML
DADApy: Distance-based Analysis of DAta-manifolds in Python
International School for Advanced Studies (SISSA)（国际高等研究学院（SISSA））；ETH Zurich（苏黎世联邦理工学院）；Swiss Institute of Bioinformatics（瑞士生物信息学研究所）；The Abdus Salam International Centre for Theoretical Physics (ICTP)（阿卜杜斯·萨拉姆国际理论物理中心（ICTP））
DADApy是一个Python软件包，用于分析和表征高维数据流形。它提供了用于估计固有维数和概率密度、用于执行基于密度的聚类以及用于比较不同距离度量的方法。我们审查的主要功能的包，并在玩具的情况下，并在现实世界中的应用程序中使用。DADApy在开源Apache 2.0许可下免费提供。
2022-09-19 cs.LG physics.comp-ph stat.ML
FAT Forensics: A Python Toolbox for Algorithmic Fairness, Accountability and Transparency
University of Bristol（布里斯托尔大学）；RMIT University（皇家墨尔本理工大学）
今天，由机器学习算法驱动的人工智能系统可以对我们的日常生活做出重要的、有时具有法律约束力的决定。然而，在许多情况下，这些系统及其行动既没有受到管制，也没有得到认证。为了帮助应对这些算法可能造成的潜在危害，我们开发了一个开源工具箱，可以分析机器学习过程中选定的公平性，问责制和透明度方面：数据（及其特征），模型和预测，允许自动客观地向相关利益相关者报告。在本文中，我们描述了这个Python包的设计，范围，使用和影响，它是在3-Clause BSD开源许可证下发布的。
2022-08-25 cs.AI cs.CY cs.LG
PyXAB -- A Python Library for $\mathcal{X}$-Armed Bandit and Online Blackbox Optimization Algorithms
Purdue University（普渡大学）
我们介绍了一个用于$\mathcal{X}$的Python开源库PyXAB-武装强盗和在线黑盒优化。PyXAB包含了超过10个$\mathcal{X}$武装的强盗算法的实现，如HOO，StoSOO，HCT，以及最近的作品RIGHT和VHCT。PyXAB还提供了最常用的合成目标来评估不同算法的性能以及参数空间上分层分区的各种选择。PyXAB的在线文档包括清晰的安装说明、简单的示例、详细的功能描述和API的完整参考。PyXAB在MIT许可下发布，以鼓励学术和工业使用。该库可以直接从PyPI安装，其源代码可以在https://github.com/WilliamLwj/PyXAB上获得
2023-03-07 cs.AI cs.LG cs.SE
stream-learn -- open-source Python library for difficult data stream batch analysis
Wrocław University of Science and Technology（弗罗茨瓦夫科技大学）
stream-learn是一个与scikit-learn兼容的Python包，用于漂移和不平衡的数据流分析。它的主要组成部分是一个流生成器，它允许产生一个合成数据流，该数据流可以将三种主要概念漂移类型（即突然漂移、渐进漂移和增量漂移）中的每一种都纳入其重复或非重复版本中。该软件包允许按照既定的评估方法（即测试-然后-训练和预先）进行实验。此外，适用于数据流分类的估计器已经实现，包括简单的分类器和最先进的基于块的在线分类器集成。为了提高计算效率，package利用自己的预测指标实现不平衡的二进制分类任务。
2020-01-29 cs.CV cs.LG stat.ML
PyTSK: A Python Toolbox for TSK Fuzzy Systems
Huazhong University of Science and Technology（华中科技大学）
本文介绍了PyTSK，一个用于开发Takagi-Sugeno-Kang（TSK）模糊系统的Python工具箱。基于scikit-learn和PyTorch，PyTSK允许用户使用模糊聚类或基于小批量梯度下降（MBGD）的算法优化TSK模糊系统。工具箱中实现了几种最先进的基于MBGD的优化算法，可以提高TSK模糊系统的泛化性能，特别是对于大数据应用。PyTSK还可以很容易地扩展和定制更复杂的算法，如修改TSK模糊系统的结构，开发更复杂的训练算法，以及将TSK模糊系统与神经网络相结合。PyTSK的代码可以在www.example.com上找到。
2022-06-07 cs.LG
Pykg2vec: A Python Library for Knowledge Graph Embedding
University of California-Irvine（加州大学欧文分校）；Siemens Corporate Technology（西门子企业技术公司）；University of Southern California（南加州大学）
Pykg2vec是一个开源Python库，用于学习知识图谱中实体和关系的表示。Pykg2vec的灵活和模块化软件架构目前实现了16种最先进的知识图谱嵌入算法，并且旨在轻松整合新算法。pykg2vec的目标是提供一个实用的教育平台，以加速知识图谱表示学习的研究。Pykg2vec构建在TensorFlow和Python的多处理框架之上，提供了用于批量生成、贝叶斯超参数优化、均值秩评估、嵌入和结果可视化的模块。Pykg2vec是在MIT许可下发布的，也可以在Python包索引（PyPI）中找到。pykg2vec的源代码可以在https://github.com/Sujit-O/pykg2vec上找到。
2019-06-04 cs.AI cs.LG stat.ML
pygrank: A Python Package for Graph Node Ranking
Centre for Research and Technology—Hellas（研究与技术中心—希腊）；Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
我们介绍pygrank，一个开源的Python包来定义，运行和评估节点排名算法。我们提供面向对象和广泛的单元测试算法组件，如图过滤器，后处理器，措施，基准测试和在线调优。计算可以委托给numpy，tensorflow或pytorch后端，并适合反向传播管道。类可以组合起来定义可互操作的复杂算法。在本文的上下文中，我们比较包与相关的替代品，并展示其灵活性和易用性的代码示例。
2021-10-18 cs.LG
pyRDF2Vec: A Python Implementation and Extension of RDF2Vec
Ghent University（根特大学）；imec（微电子研究中心）
本文介绍了pyRDF2Vec，这是一个Python软件包，它重新实现了著名的RDF2Vec算法及其几个扩展。通过将算法提供给最流行的数据科学语言，并将所有扩展捆绑到一个地方，RDF2Vec的使用对于数据科学家来说是简化的。该软件包是在MIT许可下发布的，其结构旨在促进对采样、遍历和嵌入策略的进一步研究，这些策略是RDF2Vec算法的重要组成部分。在\texttt{pyRDF2Vec}中已经实现了几个优化，这些优化允许比原始算法更有效的步行提取。此外，还采用了代码样式、测试和文档编制方面的最佳做法，以使该软件包经得起未来的考验，并促进外部贡献。
2022-05-04 cs.LG
DetoxAI: a Python Toolkit for Debiasing Deep Learning Models in Computer Vision
Institute of Computing Science, Poznan University of Technology（计算科学研究所，波兹南技术大学）
DetoxAI是一个开源Python工具包，通过事后去偏、内部表示干预、公平性指标与可视化工具，解决深度学习视觉分类中的公平性问题。
2026-10-23 cs.AI cs.CV cs.LG
SurvLIMEpy: A Python package implementing SurvLIME
Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）
在本文中，我们提出了SurvLIMEpy，一个开源的Python包，实现了SurvLIME算法。该方法允许为设计用于对生存分析数据建模的机器学习算法计算局部特征重要性。我们的实现利用了并行化范式，因为所有计算都以矩阵方式执行，从而加快了执行时间。此外，SurvLIMEpy通过可视化工具帮助用户更好地理解算法的结果。该软件包支持各种各样的生存模型，从考克斯比例风险模型到DeepHit或DeepSurv等深度学习模型。本文介绍了两种类型的实验。首先，通过模拟数据，我们研究了算法捕捉特征重要性的能力。其次，我们使用三个开源生存数据集和一组生存算法来演示SurvLIMEpy在应用于不同模型时的行为。
2023-03-17 cs.AI cs.LG cs.MS
AMICA-Python: Adaptive Mixture Independent Component Analysis with Anderson Acceleration
University of Southern California（南加州大学）；University of South Carolina（南卡罗来纳大学）
研究针对AMICA算法依赖单一Fortran实现、限制其在非MATLAB生态系统中应用的问题，提出AMICA-Python这一Python实现，通过符合scikit-learn的API集成，引入安德森加速方案，经测试其数值精度高、运行时具竞争力。
2026-07-22 cs.LG
dlordinal: a Python package for deep ordinal classification
University of Córdoba（科尔多瓦大学）；Instituto Maimónides de Investigación Biomédica de Córdoba（科尔多瓦迈蒙尼德生物医学研究所）
本文介绍 Python 库 dlordinal，它基于 PyTorch 统一实现多种深度序数分类方法、损失、输出层及序数评价指标。
2025-01-10 cs.LG
tegdet: An extensible Python Library for Anomaly Detection using Time-Evolving Graphs
Universidad de Zaragoza（萨拉戈萨大学）；Hiberus（Hiberus公司）
本文提出了一种新的Python库，用于无监督学习方法中的异常检测。库的输入是表示给定现象的观测的单变量时间序列。然后，它可以识别异常时期，即，时间间隔，其中观测值高于由相异性度量定义的基线分布的给定百分位数。使用时间演变图进行异常检测，该库利用数据之间的相互依赖关系提供的有价值的信息。目前，该库实现了28种不同的相异度度量，并且它被设计为可以轻松地扩展新的度量。通过API，该库公开了一个完整的功能来执行异常检测。总而言之，据我们所知，该库是唯一一个公开可用的库，基于动态图，可以使用其他最先进的异常检测技术进行扩展。我们的实验表明，关于算法的执行时间和所实现的技术的准确性有希望的结果。此外，该文件提供了设置检测器的参数，以提高其性能和预测精度的指导方针。
2022-10-17 cs.LG
geomstats: a Python Package for Riemannian Geometry in Machine Learning
Stanford University（斯坦福大学）；Froglabs AI（Froglabs人工智能公司）；Inria Sophia-Antipolis（法国国家信息与自动化研究所索菲亚-安蒂波利斯分院）
我们将介绍geomstats，这是一个Python软件包，可以在超球面、双曲空间、对称正定矩阵空间和变换李群等流形上执行计算。我们提供了这些流形的有效和广泛的单元测试实现，以及有用的黎曼度量和相关的指数和对数映射。相应的测地线距离提供了一系列机器学习损失函数的直观选择。我们也给出了相应的黎曼梯度。geomstats中实现的操作可用于不同的计算后端，如numpy，tensorflow和keras。我们已经启用了GPU实现，并将geomstats流形计算集成到keras深度学习框架中。本文还介绍了机器学习中流形的回顾和geomstats包的概述，并举例说明其用于高效和用户友好的黎曼几何。
2018-11-06 cs.LG cs.MS stat.ML
Kernel-Based Ensemble Learning in Python
Inria（法国国家信息与自动化研究所）；University College London（伦敦大学学院）；University of Chicago（芝加哥大学）
我们提出了一个新的监督学习算法，分类和回归问题，两个或两个以上的初步预测。我们介绍了\texttt{KernelCobra}，一个非线性的学习策略，结合任意数量的初始预测。\texttt{KernelCobra}建立在由\citet{biau2016cobra}引入的COBRA算法的基础上，该算法基于训练数据上的预测接近度的概念来组合估计器。虽然COBRA算法使用二进制阈值来声明哪些训练数据接近并将被使用，但我们通过使用内核来更好地封装邻近信息来推广这种想法。这样的平滑核为每个训练点提供了更有代表性的权重，这些权重用于构建聚合和最终预测器，并且\texttt{KernelCobra}系统地优于COBRA算法。COBRA用于回归，而\texttt{KernelCobra}用于分类和回归。\texttt{KernelCobra}是开源Python包\texttt{Pycobra}（0.2.4及以后版本）的一部分，由\citet{guedj2018pycobra}引入。数值实验评估性能（纯预测和计算复杂性方面）的\texttt{KernelCobra}在现实生活中和合成数据集。
2019-12-17 cs.LG stat.CO stat.ML
LangFair: A Python Package for Assessing Bias and Fairness in Large Language Model Use Cases
CVS Health Corporation（CVS健康公司）
本文介绍了开源Python包LangFair，旨在为LLM从业者提供评估特定用例中偏见与公平性风险的工具，支持生成评估数据集、计算适用指标，并提供决策框架指导指标选择。
2025-01-06 cs.AI cs.CL cs.CY
optimizn: a Python Library for Developing Customized Optimization Algorithms
本文提出 Python 库 optimizn，基于模拟退火和分支定界等通用范式支持快速开发定制组合优化算法，并通过持续训练机制逐步提升解的质量。
2025-07-02 cs.LG math.OC
Latte: Cross-framework Python Package for Evaluation of Latent-Based Generative Models
Georgia Institute of Technology（佐治亚理工学院）；Nanyang Technological University（南洋理工大学）
Latte（Latent Tensor Evaluation）是一个Python库，用于在解纠缠学习和可控生成领域评估基于延迟的生成模型。Latte与PyTorch和TensorFlow/Keras兼容，并提供功能性和模块化API，可以轻松扩展以支持其他深度学习框架。Latte使用基于NumPy和与框架无关的实现，确保可重复、一致和确定性的度量计算，而不管选择的是哪种深度学习框架。
2022-01-22 cs.AI cs.IR cs.LG
FAT Forensics: A Python Toolbox for Implementing and Deploying Fairness, Accountability and Transparency Algorithms in Predictive Systems
University of Bristol（布里斯托大学）
预测系统，特别是机器学习算法，可以对我们的日常生活做出重要的、有时具有法律约束力的决定。然而，在大多数情况下，这些系统和决定既没有受到管制，也没有得到认证。考虑到这些算法可能造成的潜在危害，它们的公平性，问责制和透明度（FAT）等质量至关重要。为了确保高质量、公平、透明和可靠的预测系统，我们开发了一个名为FAT Forensics的开源Python软件包。它可以检查预测算法的重要公平性，问责制和透明度方面，以自动客观地将其报告给此类系统的工程师和用户。我们的工具箱可以评估预测管道的所有元素：数据（及其特征），模型和预测。FAT Forensics在BSD 3-Clause开源许可证下发布，可供个人和商业使用。
2022-09-08 cs.AI cs.CY cs.LG
pgmpy: A Python Toolkit for Bayesian Networks
Radboud University（拉德堡德大学）
本文介绍了 pgmpy，一个用于贝叶斯网络的 Python 工具包，提供结构学习、参数估计、推理、因果推断和模拟等模块化可扩展算法，并以 MIT 许可证开源发布。
2023-04-17 cs.LG stat.ME
HiClass: a Python library for local hierarchical classification compatible with scikit-learn
Hasso Plattner Institute（哈索·普拉特纳研究院）；University of Potsdam（波茨坦大学）；Free University of Berlin（柏林自由大学）
HiClass是一个开源的Python库，用于本地分层分类，与scikit-learn完全兼容。它包含文献中发现的分层机器学习模型的最常见设计模式的实现，即每个节点、每个父结点和每个级别的局部分类器。此外，该软件包包含分层度量的实现，这更适合于评估分层数据的分类性能。文档包括安装和使用说明、教程和交互式笔记本中的示例以及API的完整描述。HiClass在简化的BSD许可下发布，鼓励在学术和商业环境中使用。源代码和文档可在https://github.com/scikit-learn-contrib/hiclass上获得。
2023-01-03 cs.LG
FastONN -- Python based open-source GPU implementation for Operational Neural Networks
操作神经网络（Operational Neural Networks，ONNs）是近年来提出的一种用于网格结构数据的特殊的人工神经网络。它们使异构非线性操作能够推广广泛采用的基于卷积的神经元模型。这项工作介绍了一个快速的GPU启用库训练业务神经网络，FastONN，这是基于一种新的矢量化制定的操作神经元。利用反向传播的自动反向模式微分，FastONN通过引入新的算子集和自定义梯度流来提高灵活性。此外，捆绑的辅助模块提供了跨不同数据分区和自定义指标的性能跟踪和检查点接口。
2020-06-03 cs.LG cs.NE
libact: Pool-based Active Learning in Python
National Taiwan University（国立台湾大学）
libact是一个Python包，旨在使一般用户更容易进行主动学习。该软件包不仅实现了几个流行的主动学习策略，而且还具有主动学习的学习元算法，帮助用户自动选择最佳策略的飞行。此外，该软件包提供了一个统一的接口，用于实现更多的策略，模型和特定于应用程序的标签。该包在Github上是开源的，可以从Python包索引存储库轻松安装。
2017-10-01 cs.LG
PyOD: A Python Toolbox for Scalable Outlier Detection
Carnegie Mellon University（卡内基梅隆大学）；University of Toronto（多伦多大学）；Northeastern University Toronto（东北大学多伦多校区）
PyOD是一个开源的Python工具箱，用于对多变量数据执行可扩展的离群值检测。独特的是，它提供了对广泛的离群值检测算法的访问，包括已建立的离群值集合和最近的基于神经网络的方法，在一个单一的，文档齐全的API下，专为从业者和研究人员使用。考虑到健壮性和可扩展性，单元测试、持续集成、代码覆盖率、可维护性检查、交互式示例和并行化等最佳实践被强调为工具箱开发的核心组成部分。PyOD与Python 2和3兼容，可以通过Python包索引（PyPI）或https://github.com/yzhao062/pyod安装。
2019-06-10 cs.IR cs.LG stat.ML
ProSper -- A Python Library for Probabilistic Sparse Coding with Non-Standard Priors and Superpositions
Sorbonne Université（索邦大学）；INSERM（法国国家健康与医学研究院）；CNRS（法国国家科学研究中心）；Institut de la Vision（视觉研究所）；FIAS（法兰克福高等研究院）；Goethe-Universität Frankfurt am Main（法兰克福大学）；Zalando Research（Zalando研究院）；University of Sheffield（谢菲尔德大学）；d-fine GmbH（d-fine有限公司）；C. v. Ossietzky Universität Oldenburg（奥尔登堡大学）
ProSper是一个Python库，包含用于学习字典的概率算法。给定一组数据点，实现的算法试图学习生成数据的基本组件。该库扩大了字典学习方法的范围，超越了ICA，NMF或标准L1稀疏编码等标准方法的实现。实现的算法是特别适合的情况下，当数据组成的组件，结合非线性和/或数据需要灵活的先验分布。此外，所实现的算法超越了标准的方法，通过推断数据的先验和噪声参数，它们提供了丰富的后验近似推理。该库被设计为可扩展的，目前包括：二进制稀疏编码（BSC），三进制稀疏编码（TSC），离散稀疏编码（DSC），最大原因分析（MCA），最大幅度原因分析（MMCA）和高斯稀疏编码（GSC，最近的尖峰和板条稀疏编码方法）。该算法是可扩展的，由于变分近似和并行化的组合。所有算法的实现都允许在多个CPU和多台机器上并行执行，适用于中型到大型应用程序。典型的大规模算法运行可以使用数百个CPU从具有数千万个浮点数的数据中学习数百个字典元素，从而可以优化具有数十万个参数的模型。该库被设计为具有最小的依赖性并且易于使用。它针对字典学习算法的用户和机器学习研究人员。
2019-08-01 cs.LG eess.SP stat.ML
FCMpy: A Python Module for Constructing and Analyzing Fuzzy Cognitive Maps
Maastricht University（马斯特里赫特大学）；Miami University（迈阿密大学）；Tilburg University（蒂尔堡大学）
FCMPy是一个Python开源包，用于构建和分析模糊认知图。更具体地，该包允许1）从定性数据导出模糊因果权重，2）模拟系统行为，3）应用机器学习算法（例如，非线性Hebbian学习、主动Hebbian学习、遗传算法和确定性学习）来调整FCM因果权重矩阵并解决分类问题，以及4）通过模拟假设的干预（即，分析假设情景）。
2021-11-24 cs.LG cs.MS
PyGAD: An Intuitive Genetic Algorithm Python Library
University of Ottawa（渥太华大学）
本文介绍了PyGAD，一个开源的易于使用的Python库，用于构建遗传算法。PyGAD支持广泛的参数，使用户能够控制其生存周期中的所有内容。这包括但不限于群体、基因值范围、基因数据类型、亲本选择、交叉和突变。PyGAD被设计为一个通用优化库，允许用户自定义适应函数。它的使用包括3个主要步骤：构建适应度函数，创建pygad.GA类的实例，以及调用pygad.GA.run（）方法。该库支持训练使用PyGAD本身或Keras和PyTorch等框架创建的深度学习模型。鉴于其稳态，PyGAD也在积极开发中，以响应用户在GitHub https://github.com/ahmedfgad/GeneticAlgorithmPython上请求的功能和增强。PyGAD附带文档https://pygad.readthedocs.io，以获取更多细节和示例。
2021-06-11 cs.CV cs.LG cs.NE
CARLA: A Python Library to Benchmark Algorithmic Recourse and Counterfactual Explanation Algorithms
University of Tübingen（图宾根大学）；CarePay International（CarePay国际公司）
反事实解释通过建议可操作的特征改变（例如，增加收入），使个人在未来取得有利的结果（例如，保险审批）。选择合适的方法是有意义的反事实解释的一个关键方面。正如最近的综述中所记载的那样，有一个快速增长的文献与可用的方法。然而，在缺乏广泛可用的开源实现的情况下，支持某些模型的决定主要是基于什么是现成的。展望未来-为了保证解释方法之间有意义的比较-我们提出了CARLA（反事实和追索权库），这是一个Python库，用于在不同的数据集和不同的机器学习模型上对反事实解释方法进行基准测试。总之，我们的工作提供了以下贡献：（i）11种流行的反事实解释方法的广泛基准，（ii）未来反事实解释方法研究的基准框架，以及（iii）一套标准化的综合评估措施和数据集，用于这些方法的透明和广泛的比较。我们在Github上开源了CARLA和我们的实验结果，使它们可以作为竞争基线。我们欢迎其他研究团体和从业人员的贡献。
2021-08-02 cs.AI cs.LG
DocuMint: Docstring Generation for Python using Small Language Models
University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）
本研究探究小型语言模型生成Python高质量文档字符串的效能，推出含10万样本的DocuMint微调数据集，实验验证了小模型经微调后在文档生成指标上的显著提升。
2024-05-16 cs.LG cs.SE
PySensors: A Python Package for Sparse Sensor Placement
University of Washington（华盛顿大学）
PySensors是一个Python包，用于选择和放置稀疏的传感器集，用于分类和重建任务。具体来说，PySensors实现了数据驱动的稀疏传感器布局优化重建（SSPOR）和稀疏传感器布局优化分类（SSPOC）算法。在这项工作中，我们简要描述了稀疏传感器优化的数学算法和理论，以及PySensors中实现的功能的概述和演示（带有代码示例）。我们还为用户提供了实用的建议，以及PySensors的潜在扩展列表。软件可在https://github.com/dynamicslab/pysensors上获得。
2021-02-20 cs.LG eess.SP math.OC
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
MissMecha: An All-in-One Python Package for Studying Missing Data Mechanisms
Deakin University（德肯大学）
针对现有缺失数据工具零散且仅支持数值变量的问题，提出开源Python包MissMecha，支持MCAR、MAR、MNAR机制下的模拟、可视化与评估，兼顾数值与分类特征，提供统一平台。
2025-08-06 cs.LG cs.MS
evclust: Python library for evidential clustering
University of Clermont Auvergne（克莱蒙奥弗涅大学）；CNRS（法国国家科学研究中心）；Mines of Saint-Etienne（圣埃蒂安矿业学院）；Clermont-Auvergne-INP（克莱蒙奥弗涅国立综合理工学院）；LIMOS（信息、建模与优化实验室）
针对聚类中需表达簇成员不确定性的问题，本文提出Python库evclust，基于Dempster-Shafer信念函数理论实现证据聚类，提供高效算法及信度划分的可视化、评估与分析工具。
2025-02-10 cs.CV cs.LG cs.SE
Speeding Up OPFython with Numba
São Paulo State University（圣保罗州立大学）
一个图形启发的分类器，被称为最优路径森林（OPF），已被证明是一个国家的最先进的算法相比，逻辑回归，支持向量机在各种各样的任务。最近，它的基于Python的版本，表示为OPFython，已被提出提供一个更友好的框架和更快的原型环境。然而，基于Python的算法比基于C的算法要慢，在面对大量数据时会影响它们的性能。因此，本文提出了一种使用Numba包的简单而高效的加速方法，它加速了基于Numpy的计算并尝试提高算法的整体性能。实验结果表明，该方法比简单的基于Python的最优潮流算法取得了更好的效果，并加快了其距离测量计算速度。
2021-06-22 cs.AI cs.LG
Little Ball of Fur: A Python Library for Graph Sampling
The University of Edinburgh（爱丁堡大学）；Central European University（中欧大学）
图的抽样是数据采掘中的一项重要任务。在本文中，我们描述了Little Ball of Fur，一个包含20多个图形采样算法的Python库。我们的目标是使节点，边缘和探索为基础的网络采样技术访问大量的专业人士，研究人员和学生在一个单一的精简框架。我们创建这个框架的重点是一个连贯的应用程序公共接口，具有方便的设计，通用的输入数据的要求，和合理的基线设置的算法。在这里，我们通过说明性代码片段详细概述了框架的这些设计基础。我们通过估计社交网络和网络图的各种全球统计数据来展示图书馆的实际可用性。实验表明，小毛球可以大大加快节点和整个图嵌入技术，轻微恶化的预测值提取功能。
2020-08-11 cs.LG cs.SI
tvopt: A Python Framework for Time-Varying Optimization
University of Padova（帕多瓦大学）
本文提出了tvopt，一个用于时变优化算法原型设计和基准测试的Python框架，支持集中式与分布式在线问题建模，并内置梯度法、ADMM等求解器及预测策略。
2021-09-08 cs.LG cs.MS math.OC
