EmuKit/emukit

A Python-based toolbox of various methods in decision making, uncertainty quantification and statistical emulation: multi-fidelity, experimental design, Bayesian optimisation, Bayesian quadrature, etc.

何を解決するか

Emukitは、データが限られているか、取得にコストがかかる複雑なシステムにおける不確実性下での意思決定の課題に対処します。限られた計算リソースや実験リソースを効率的に使用するため、設計ループ全体に適切にキャリブレートされた不確実性推定を伝播するツールを提供します。

どう動くか

Emukitはモデルに依存しないツールキットとして、Pythonエコシステムと統合されます。ユーザーは高コストな関数を近似するための代理モデル（エミュレータ）を構築できます。多忠実度エミュレーション（異なるコスト・精度を持つ複数のデータソースを統合）、機械学習パラメータのチューニングや物理実験の最適化に用いるベイズ最適化、高コスト関数の効率的な積分に用いるベイズ四則積分をサポートしています。

対象ユーザー

高コストで評価が必要な複雑な物理プロセスや機械学習アルゴリズムを扱う研究者やエンジニア向けに設計されています。戦略的な実験設計が求められる環境に適しています。

特徴

  • 多忠実度エミュレーション: 異なる忠実度とコストを持つ複数のデータソースからの情報を統合します。
  • ベイズ最適化: 機械学習のパラメータチューニングや物理実験の最適化に使用します。
  • 実験設計: アクティブラーニングや最も情報量の多い実験を設計するためのツールを提供します。
  • 感度分析: 入力がシステム出力に与える影響を分析します。
  • ベイズ四則積分: 高コストな関数の積分を効率的に計算します。
  • フレームワーク非依存: Pythonエコシステム内のさまざまなモデリングツールと互換性があります。

関連

  • プロジェクト
    SURGroup/UQpy

    UQpyは不確実性定量化のためのPythonツールボックスであり、サンプリング、代理モデル、信頼性解析、ベイズ推論ツールを提供します。pipまたはcondaでインストールし、ドキュメントを参照の上、研究で使用する際は2020年のJCoS論文を引用してください。

  • プロジェクト
    torch-uncertainty/torch-uncertainty

    不確定性の定量化のための深層学習フレームワークで、不確定性を考慮したトレーニング、評価、後処理によりニューラルネットワークをより信頼できるようにするツールを提供します。

  • プロジェクト
    econ-ark/HARK

    最適化と非最適化の異質的エージェントの経済的選択の構造的モデリングのためのPythonツールキット。複雑なマクロ経済およびミクロ経済シミュレーションの作成を簡素化します。

  • プロジェクト
    scikit-learn-contrib/MAPIE

    MAPIEは、回帰、分類、時系列、コンピュータビジョンタスク向けに、モデル非依存の予測区間とリスク制御された予測セットを提供するPythonライブラリです。任意のscikit-learn推定器（およびTensorFlow/PyTorchモデルのラッパー）と連携し、コンフォーマル予測に基づく統計的に保証された不確実性推定を提供します。`pip install mapie`でインストールし、`MapieRegressor`や`MapieClassifier`ラッパーを使用して、最小限のコードで較正済みの区間／セットを取得します。

  • プロジェクト
    feature-engine/feature_engine

    機械学習モデルのパフォーマンスを向上させるために、包括的な特徴量エンジニアリングと選択を実現する、Scikit-learn互換のトランスフォーマーを提供するPythonライブラリ。