srlearn: A Python Library for Gradient-Boosted Statistical Relational Models
Indiana University Bloomington(印第安纳大学伯明顿分校)
我们介绍srlearn,一个用于增强统计关系模型的Python库。我们调整scikit-learn接口以适应这种设置,并提供如何使用它来表达学习和推理问题的示例。
2019-12-17 cs.AI cs.LG stat.ML
libconform v0.1.0: a Python library for conformal prediction
本文介绍了libconform v0.1.0,一个用于共形预测框架的Python库,在MIT许可下许可。libconform还不稳定。本文描述了实现的主要算法,并记录了libconform的API。还描述了有关未来版本中的实现和更改的一些细节。
2019-07-03 cs.LG stat.ML
NIMFA: A Python Library for Nonnegative Matrix Factorization
NIMFA是一个开源Python库,为非负矩阵分解算法提供了统一的接口。它包括最先进的因子分解方法,初始化方法和质量评分的实现。它支持密集和稀疏矩阵表示。NIMFA的基于组件的实现和分层设计应该帮助用户采用已经实现的技术或设计和编码矩阵分解任务的新策略。
2018-08-06 cs.AI cs.LG q-bio.QM
PyTorch, Explain! A Python library for Logic Explained Networks
University of Cambridge(剑桥大学);Universita’ di Siena(锡耶纳大学)
“PyTorch,解释一下!“是一个Python模块,集成了各种最先进的方法,以提供来自神经网络的逻辑解释。该软件包的重点是将这些方法带给非专业人士。它具有最小的依赖性,并且在Apache 2.0许可证下分发,允许学术和商业使用。源代码和文档可以从github仓库下载:https://github.com/pietrobarbiero/pytorch_explain。
2021-07-23 cs.AI 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
UncertaintyPlayground: A Fast and Simplified Python Library for Uncertainty Estimation
University of Lausanne(洛桑大学)
本文介绍了基于PyTorch和GPyTorch的Python库UncertaintyPlayground,通过SVGPRs和MDN实现监督学习中的快速不确定性估计与预测区间可视化,并提供跨平台持续集成与完善文档。
2023-10-23 cs.LG stat.ML
The autofeat Python Library for Automated Feature Engineering and Selection
Technische Universität Berlin(柏林工业大学);BASF SE(巴斯夫欧洲公司)
本文描述了autofeat Python库,它提供了scikit-learn风格的线性回归和分类模型,具有自动化特征工程和选择功能。复杂的非线性机器学习模型,如神经网络,在实践中通常难以训练,甚至更难向非统计学家解释,他们需要透明的分析结果作为重要业务决策的基础。虽然线性模型是有效和直观的,但它们通常提供较低的预测精度。我们的库提供了一个多步骤的特征工程和选择过程,首先生成一个大的非线性特征池,然后从中选择一个小而强大的有意义的特征集,这提高了线性模型的预测准确性,同时保留了其可解释性。
2020-02-26 cs.LG stat.ML
GraKeL: A Graph Kernel Library in Python
UPMC Université Paris 6, Sorbonne Universités(巴黎第六大学(UPMC),索邦大学集团);École Polytechnique(巴黎综合理工学院);Athens University of Economics and Business(雅典经济与商业大学)
准确测量图之间的相似性的问题是在各种学科中的许多应用的核心。图核最近出现了一个很有前途的方法来解决这个问题。现在有许多内核,每一个都专注于图的不同结构方面。在这里,我们介绍了GraKeL,一个将几个图形内核统一到一个通用框架中的库。该库是用Python编写的,并遵循scikit-learn接口。它使用简单,可以与scikit-learn的模块自然结合,为图分类和聚类等任务构建完整的机器学习管道。该代码是BSD许可的,可在https://github.com/ysig/GraKeL上获得。
2020-03-23 cs.LG stat.ML
GEMA: An open-source Python library for self-organizing-maps
Universidad Francisco de Vitoria(弗朗西斯科·德·维多利亚大学)
组织已经意识到数据分析的重要性及其好处。这与机器学习算法相结合,可以更容易地解决问题,使这些过程更耗时。神经网络是机器学习技术,最近获得了非常好的结果。本文描述了一个名为GEMA的开源Python库,该库被开发用于使用一种名为自组织映射的神经网络模型。GEMA在GitHub(https://github.com/ufvceiec/GEMA)上的GNU通用公共许可证下免费提供。该库已在不同的特定用例中进行评估,获得准确的结果。
2022-02-17 cs.AI cs.LG cs.NE
Picasso: A Sparse Learning Library for High Dimensional Data Analysis in R and Python
Princeton University(普林斯顿大学);Georgia Tech(佐治亚理工学院);Tencent Artificial Intelligence Lab(腾讯人工智能实验室)
我们描述了一个名为picasso的新库,它为各种稀疏学习问题(例如,稀疏线性回归、稀疏逻辑斯谛回归、稀疏泊松回归和缩放稀疏线性回归)与有效的活动集选择策略相结合。此外,该库允许用户选择不同的稀疏诱导正则化,包括凸$\ell_1$,非凸MCP和SCAD正则化。该库是用C++编写的,并具有用户友好的R和Python包装器。数值实验表明,picasso可以有效地扩展到大型问题。
2020-06-27 cs.LG math.OC stat.ML
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
LiteEFG: An Efficient Python Library for Solving Extensive-form Games
Massachusetts Institute of Technology(麻省理工学院);LIDS(林肯实验室);EECS(电气工程与计算机科学学院)
LiteEFG是一个高效的Python库,通过Python表达计算图并由C++后端执行,实现多人扩展型博弈的快速求解,用户只需定义单节点更新规则即可自动处理整个博弈树结构。
2024-07-29 cs.AI cs.GT cs.LG
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
BOML: A Modularized Bilevel Optimization Library in Python for Meta Learning
Dalian University of Technology(大连理工大学)
元学习(Meta-learning)学习学习)最近已经成为用于各种应用的有希望的范例。现在有许多元学习方法,每种方法都专注于基础学习者和Meta学习者的不同建模方面,但都可以(重新)制定为特定的双层优化问题。这项工作提出了BOML,这是一个模块化的优化库,将几种元学习算法统一到一个通用的两级优化框架中。它提供了一个分层优化管道以及各种迭代模块,可用于解决主流类别的元学习方法,如基于元特征和基于元初始化的公式。该库是用Python编写的,可以在https://github.com/dut-media-lab/BOML上找到。
2020-09-28 cs.LG cs.MS stat.ML
SCPP: A Unified Python Library for Soft Clustering
介绍用于软聚类的开源Python框架SCPP,它建立规范接口统一多种软聚类方法,集成40种算法及综合基准测试,提供文档、示例等,实现可重复实验与新算法扩展。
2026-08-18 cs.AI cs.LG
TrueLearn: A Python Library for Personalised Informational Recommendations with (Implicit) Feedback
University College London(伦敦大学学院)
本文提出 TrueLearn Python 库,基于开放学习者理念构建在线贝叶斯推荐模型,并提供可视化表示、隐式反馈教育数据集及评估指标,以支持可解释的个性化信息推荐。
2023-09-20 cs.AI cs.CY cs.IR
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
mPyPl: Python Monadic Pipeline Library for Complex Functional Data Processing
Microsoft(微软)
在本文中,我们提出了一个名为mPyPl的新Python库,旨在使用函数方法简化复杂的数据处理任务。该库定义了对表示为生成器的命名字典的惰性数据流(所谓的多字段数据流)的操作,并允许在数据准备和特征提取过程中使用更多“字段”来丰富这些数据流。因此,大多数数据准备任务可以用简洁的线性“管道”形式表示,类似于UNIX管道的语法,或者|> F#中的函数复合运算符。我们定义了多字段数据流的基本操作,这类似于经典的单子操作,并显示所提出的方法在函数式编程中的单子的相似性。我们还展示了该库如何用于视频中事件检测的复杂深度学习任务,并讨论了不同的评估策略,这些策略允许在内存和性能方面做出不同的妥协。
2021-06-16 cs.AI cs.LG cs.PL
SupplyNetPy: An Open-Source Python Library for High-Fidelity Modeling and Simulation of Arbitrary Supply Chain and Inventory Networks
Indian Institute of Technology Goa(印度理工学院果阿分校);School of Mathematics and Computer Science(数学与计算机科学学院)
介绍开源Python库SupplyNetPy,用于任意供应链网络建模与离散事件仿真,支持多种策略和情况,组件可扩展。用户以图描述供应链,库处理仿真并提供报告,经详细验证能实现复杂模型编程生成与仿真等多种功能。
2026-11-11 cs.AI cs.LG
DeeProb-kit: a Python Library for Deep Probabilistic Modelling
University of Edinburgh(爱丁堡大学);Eindhoven University of Technology(埃因霍温理工大学)
DeeProb-kit是一个用Python编写的统一库,由一系列深度概率模型(DPM)组成,这些模型是建模概率分布的易处理和精确表示。在单个库中提供具有代表性的DPM选择,使得可以以直接的方式将它们组合起来,这是当今深度学习研究中的常见做法。此外,它还包括有效实现的学习技术、推理例程、统计算法,并提供高质量的完整文档化API。DeeProb-kit的开发将帮助社区加速对DPM的研究,并评估它们的评估,更好地了解它们是如何基于它们的表现力相互关联的。
2022-12-08 cs.LG
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
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
MKLpy: a python-based framework for Multiple Kernel Learning
University of Padova(帕多瓦大学)
多核学习是一种从数据中学习核函数的新的强大范例。在本文中,我们介绍了MKLpy,一个基于Python的多核学习框架。该库为分类任务提供了多核学习算法,为不同的数据类型计算核函数的机制,以及评估策略。该库旨在最大限度地提高可用性并简化新解决方案的开发。
2020-07-20 cs.LG stat.ML
abess: A Fast Best Subset Selection Library in Python and R
Sun Yat-Sen University(中山大学);University of Science and Technology of China(中国科学技术大学);Renmin University of China(中国人民大学);Peking University(北京大学);National University of Singapore(新加坡国立大学)
本文介绍abess库,用统一框架高效求解线性回归、分类和PCA等最佳子集选择问题,速度可达现有工具20倍,并提供Python和R接口。
2022-06-17 cs.LG stat.CO stat.ML
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
Tsururu: A Python-based Time Series Forecasting Strategies Library
Sber AI Lab(Sber AI实验室);Sber;Skoltech;MIPT;ISP RAS Research Center for Trusted Artificial Intelligence(俄罗斯科学院可信人工智能研究中心)
Tsururu是一个Python时间序列预测策略库,通过灵活组合全局、多变量及多步超前预测策略并兼容多种模型,解决训练方法选择问题,连接前沿研究与工业应用。
2025-09-19 cs.LG
DESlib: A Dynamic ensemble selection library in Python
Laboratoire d’imagerie, vision et intelligence artificielle (LIVIA)(图像、视觉与人工智能实验室(LIVIA));École de Technologie Supérieure (ÉTS) - Université du Québec(魁北克大学高等技术学院(ÉTS));Centro de Informática - Universidade Federal de Pernambuco(伯南布哥联邦大学信息中心)
DESlib是一个开源Python库,提供了几种动态选择技术的实现。该库分为三个模块:(i)\emph{dcs},包含动态分类器选择方法(DCS)的实现;(ii)\emph{des},包含动态集成选择方法(DES)的实现;(iii)\emph{static},包含静态集成技术的实现。该库有完整的文档(文档可在线阅读),具有高测试覆盖率(codecov.io),并且是scikit-learn-contrib支持项目的一部分。文档,代码和示例可以在其GitHub页面上找到:https://github.com/scikit-learn-contrib/DESlib。
2019-01-23 cs.LG
PyMilo: A Python Library for ML I/O
Open Science Lab(开放科学实验室);University of Toronto(多伦多大学);University of Southern California(南加州大学);University of Groningen(格罗宁根大学)
PyMilo是一个开源Python库,通过透明的非可执行格式序列化机器学习模型,解决pickle等现有格式的可靠性、安全性和透明度问题,实现安全便捷的模型导出、交换与生产部署。
2024-12-31 cs.AI cs.LG
PyHHMM: A Python Library for Heterogeneous Hidden Markov Models
Department of Signal Theory and Communications, Universidad Carlos III de Madrid(马德里卡洛斯三世大学信号理论与通信系)
我们介绍PyHHMM,一个面向对象的开源Python实现异构隐马尔可夫模型(HHMM)。除了HMM的基本核心功能,如不同的初始化算法和经典的观察模型,即,PyHHMM具有连续性和多项性,特别强调了类似可用框架不支持的特性:异构观察模型,缺失数据推理,不同的模型顺序选择标准和半监督训练。这些特性为处理序列数据的研究人员提供了功能丰富的实现。PyHHMM依赖于numpy,scipy,scikit-learn和seaborn Python包,并在Apache-2.0许可证下分发。PyHHMM的源代码在Github上公开(https://github.com/fmorenopino/HeterogeneousHMM),以方便采用和未来的贡献。详细的文档(https://pyhhmm.readthedocs.io/en/latest)涵盖了使用示例和模型的理论解释。该软件包可以通过Python包索引(PyPI)安装,通过'pip install pyhhmm'。
2022-01-12 cs.LG cs.MS stat.ML
Pixyz: a Python library for developing deep generative models
The University of Tokyo(东京大学);Hiroshima University(广岛大学)
本文提出Python库Pixyz,通过三个API和记忆化技术简洁高效地实现深度生成模型,实验表明其训练速度优于现有概率编程语言。
2023-09-21 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
LINFA: a Python library for variational inference with normalizing flow and annealing
University of Notre Dame(圣母大学)
本文介绍 Python 库 LINFA,它利用归一化流与退火技术实现变分推断,面向计算昂贵、参数依赖且难采样的模型,并通过基准验证其性能。
2023-07-14 cs.LG stat.CO
Manify: A Python Library for Learning Non-Euclidean Representations
Columbia University(哥伦比亚大学)
Manify 是一个开源 Python 库,利用流形学习技术支持非欧几里得空间中的嵌入学习、分类回归和曲率估计,为基于流形的数据分析提供全面工具。
2025-07-16 cs.LG
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
LibMTL: A Python Library for Multi-Task Learning
Southern University of Science and Technology(南方科技大学);Peng Cheng Laboratory(鹏城实验室)
本文介绍了LibMTL,一个基于PyTorch的开源Python库,它为多任务学习(MTL)提供了一个统一的,全面的,可重复的和可扩展的实现框架。LibMTL考虑了MTL中的不同设置和方法,它支持大量最先进的MTL方法,包括12种损失加权策略,7种架构以及84种不同架构和损失加权方法的组合。LibMTL的模块化设计使其易于使用和良好的可扩展性,因此用户可以方便快捷地开发新的MTL方法,与现有的MTL方法进行比较,或者在LibMTL的支持下将MTL算法应用于实际应用。LibMTL的源代码和详细文档可分别在https://github.com/median-research-group/LibMTL和https://libmtl.readthedocs.io上获得。
2022-03-27 cs.LG
CyNER: A Python Library for Cybersecurity Named Entity Recognition
Rochester Institute of Technology(罗切斯特理工学院);IBM T. J. Watson Research Center(IBM托马斯·J·沃森研究中心)
开放网络威胁情报(OpenCTI)信息以非结构化格式从互联网上的异构来源提供。我们提出CyNER,一个开源的Python库,用于网络安全命名实体识别(NER)。CyNER结合了用于提取网络安全相关实体的基于transformer的模型,用于提取不同危害指标的算法,以及用于通用实体类型的公开可用的NER模型。我们提供在用户可以随时使用的不同语料库上训练的模型。在先前的研究- MALOnt2.0(Christian等人,2021)和MALOnt(Rastogi等人,2020),并一起从威胁情报语料库中提取广泛的恶意软件攻击细节。用户可以结合多种不同方法的预测来满足他们的需求。图书馆是公开的。
2022-04-08 cs.CR cs.LG
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
Causal-TS: A Python Library for Causal Discovery in High-Dimensional and Nonstationary Time Series
Bloomberg LP(彭博有限合伙企业)
介绍用于高维非平稳时间序列因果发现的Python库Causal-TS,它含多种算法及包装器,有统一CI测试层并支持GPU加速,通过状态发现管道检测断点,还有命令行等工具提供端到端管道,可pip安装且经测试。
2026-07-28 cs.LG stat.ME
TurboGP: A flexible and advanced python based GP library
Instituto Nacional de Astrofísica Óptica y Electrónica(国家天体物理、光学与电子学研究所)
TurboGP 是一个用 Python 编写的先进遗传编程库,支持岛屿和细胞种群、多种遗传操作及在线学习,其原生多类型节点支持不同抽象级别,适用于处理多种数据源。
2023-08-31 cs.LG cs.NE
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
tsBNgen: A Python Library to Generate Time Series Data from an Arbitrary Dynamic Bayesian Network Structure
UCLA University(加州大学洛杉矶分校)
合成数据广泛应用于各个领域。这是因为许多现代算法需要大量的数据来进行有效的训练,而数据汇集和标记通常是一个耗时的过程,并且容易出错。此外,一些真实世界的数据,由于其性质,是保密的,不能共享。贝叶斯网络是一种概率图模型,广泛用于模拟现实世界中的不确定性过程。动态贝叶斯网络是一类特殊的贝叶斯网络,它对时间和时间序列数据进行建模。在本文中,我们介绍了tsBNgen,一个Python库,用于基于任意动态贝叶斯网络生成时间序列和顺序数据。可以从https://github.com/manitadayon/tsBNgen下载软件包、文档和示例。
2020-09-09 cs.LG eess.SP
xai-cola: A Python library for sparsifying counterfactual explanations
Technical University of Denmark(丹麦技术大学)
xai-cola是一个开源Python库,用于稀疏化反事实解释,通过端到端流程减少冗余特征变化,提升解释效率。
2026-02-25 cs.AI cs.CY cs.LG
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
ganX -- generate artificially new XRF a python library to generate MA-XRF raw data out of RGB images
Istituto Nazionale di Fisica Nucleare(国家核物理研究所)
本研究推出首个ganX Python库,采用蒙特卡洛方法结合颜料XRF-RGB配对数据库,实现从RGB图像生成MA-XRF原始数据,库已发布至PyPi且代码开源。
2023-04-27 cs.LG physics.app-ph
problexity -- an open-source Python library for binary classification problem complexity assessment
Wrocław University of Science and Technology(弗罗茨瓦夫理工大学)
分类问题的复杂性评估是监督学习领域中许多主题的基本要素。它在元学习中起着重要的作用-成为确定元属性或多标准优化的基础-允许在不需要重建识别模型的情况下评估训练集。目前学术界可用的工具,可以计算问题的复杂性措施,只能作为C++和R语言的库。本文描述了一个软件模块,它允许对Python语言的22个复杂性指标进行估计-与scikit-learn编程接口兼容-允许在机器学习社区最流行的编程环境中使用它们进行研究。
2022-07-14 cs.LG
DataSist: A Python-based library for easy data analysis, visualization and modeling
Ambrose Alli University(安布罗斯·阿里大学)
移动设备、万维网、物联网、社交媒体等现代信息系统每秒钟都会产生大量的数据,对这些海量数据的分析和挖掘需要大量先进的工具和技术。因此,大数据分析和挖掘是目前一个活跃和趋势的研究领域,因为企业和组织从中获得了巨大的好处。许多工具,如Pandas,Numpy,STATA,SPSS,已经创建来帮助分析和挖掘这些巨大的数据爆发,有些已经变得如此流行,并广泛应用于该领域。本文介绍了一个新的基于Python的库DataSist,它提供了高级,直观和易于使用的功能,以及帮助数据科学家/分析师快速分析,挖掘和可视化大数据集的方法。这个项目的目标是(i)设计一个python库,通过抽象低级语法来帮助数据分析过程,(ii)通过让数据科学家专注于做什么而不是如何做来提高数据科学家的生产力。这个项目表明,当我们抽象某些功能时,数据分析可以自动化,并且速度更快,并且将成为数据科学家工作流程中的重要工具。
2020-01-10 cs.LG
A scikit-based Python environment for performing multi-label classification
Wrocław University of Science and Technology(弗罗茨瓦夫理工大学);illimites foundation(伊利米特斯基金会)
scikit-multilearn是一个用于执行多标签分类的Python库。该库与scikit/scipy生态系统兼容,并使用稀疏矩阵进行所有内部操作。它提供了流行的多标签分类方法的原生Python实现,以及标签空间分区和划分的新框架。它包括现代算法自适应方法、基于网络的标签空间划分方法和多标签嵌入分类器。它提供了对Java库中广泛的多标签方法堆栈的python包装访问,并使扩展深度学习单标签方法用于多标签任务成为可能。该库允许多标签分层和数据集管理。该实现在问题转换方面比其他已建立的库更有效,具有良好的测试覆盖率,并遵循PEP 8。源代码和文档可以从http://scikit.ml和pip下载。该库遵循BSD许可计划。
2018-12-10 cs.LG cs.MS
pyBKT: An Accessible Python Library of Bayesian Knowledge Tracing Models
University of California, Berkeley(加州大学伯克利分校)
贝叶斯知识追踪是一种用于认知掌握估计的模型,是自适应学习研究的标志,也是部署的智能辅导系统(ITS)的一个组成部分。在本文中,我们提供了一个简短的历史知识跟踪模型的研究和介绍pyBKT,一个可访问的和计算效率的图书馆的模型扩展文献。该库提供数据生成,拟合,预测和交叉验证例程,以及一个简单易用的数据助手界面来摄取典型的导师日志数据集格式。我们使用各种数据集大小评估运行时,并与过去的实现进行比较。此外,我们使用模拟数据进行实验来评估其EM参数学习的准确性,并使用真实世界的数据来验证其预测,将pyBKT支持的模型变体与最初引入它们的论文中的结果进行比较。该图书馆是开放源代码和开放许可证,目的是使研究和实践社区更容易获得知识追踪,并通过更容易复制过去的方法来促进该领域的进展。
2021-05-29 cs.AI cs.CY cs.LG
XLB: A differentiable massively parallel lattice Boltzmann library in Python
Autodesk Research(奥多研究机构)
本文提出基于JAX的可微并行格子玻尔兹曼库XLB,支持多硬件扩展和机器学习生态集成,实现数十亿网格规模的高性能流体模拟。
2024-04-02 cs.CE cs.LG physics.comp-ph
TimeGym: Debugging for Time Series Modeling in Python
我们介绍了TimeGym Forecasting Toolkit,这是一个用于测试和调试时间序列预测管道的Python库。TimeGym通过为新出厂的预测管道提供通用测试来简化测试预测管道。这些测试基于时间序列的常见建模挑战。我们的库使预测人员能够将测试驱动开发方法应用于预测建模,使用指定的预言机生成带有噪声的人工数据。
2021-05-04 cs.LG
An update to PYRO-NN: A Python Library for Differentiable CT Operators
Pattern Recognition Lab(模式识别实验室);Friedrich-Alexander University Erlangen-Nuremberg(埃朗根-纽伦堡弗里德里希-亚历山大大学);Fraunhofer EZRT(弗劳恩霍夫电子技术研究所)
针对深度学习与CT重建结合的需求,更新PYRO-NN库以支持PyTorch和原生CUDA内核,提供多几何结构高效投影/反投影、伪影模拟等工具,助力端到端可训练CT重建管道构建。
2025-11-11 cs.LG
chatter: a Python library for applying information theory and AI/ML models to animal communication
chatter库利用信息论和机器学习技术,通过高维潜在空间分析动物叫声,无需手动分类即可量化声音序列的复杂性和新颖性。
2025-12-11 cs.LG cs.SD eess.AS
Soundata: A Python library for reproducible use of audio datasets
New York University(纽约大学);Adobe Research(奥多比研究院);Universitat Pompeu Fabra(庞培法布拉大学)
Soundata是一个Python库,用于以标准化的方式加载和处理音频数据集,消除了在每个项目中编写自定义加载器的需要,并通过提供工具来验证数据的可重复性。它通过允许用户快速下载数据集,以标准化和可复制的方式将其加载到内存中,验证数据集的完整性和正确性等来加快研究流程。Soundata基于mirdata并受到其启发,通过与环境声音,生物声学和语音数据集等合作来补充mirdata。Soundata的创建是为了易于使用,易于贡献,并以灵活的方式提高声音数据集的可重复性和标准化使用。
2021-10-04 cs.DB cs.LG cs.SD
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