perpetual-ml/perpetual

Perpetual is a high-performance gradient boosting machine. It delivers optimal accuracy in a single run without complex tuning through a simple budget parameter. It features out-of-the-box support for causal ML, continual learning, native calibration, and robust drift monitoring, along with Rust core and zero-copy bindings for Python and R

해결하는 문제

PerpetualBooster는 시간이 많이 소요되는 하이퍼파라미터 최적화의 필요성을 제거하기 위해 설계된 그래디언트 부스팅 머신(GBM)입니다. 복잡한 튜닝을 단일 budget 매개변수로 대체하여 모델의 예측 성능과 일반화 성능을 제어하며, 사용자가 단 한 번의 실행으로 최적의 정확도를 달성할 수 있도록 합니다.

작동 원리

고성능 Rust 코어로 구축된 이 라이브러리는 Python, R, Rust용 바인딩을 제공합니다. 일반화 알고리즘을 활용하여 과적합을 방지하고, budget 매개변수를 늘려 예측 성능을 확장할 수 있습니다. Polars/Arrow에 대한 제로 카피(zero-copy) 데이터 처리를 지원하며, 프로덕션 배포를 위해 모델을 XGBoost 또는 ONNX 형식으로 내보낼 수 있습니다.

대상 사용자

하이퍼파라미터 튜닝이라는 수작업 없이 그래디언트 부스팅의 성능을 원하는 데이터 과학자 및 머신러닝 엔지니어, 그리고 프로덕션 환경에서 고성능 학습 및 추론이 필요한 분들에게 적합합니다.

주요 특징

  • 하이퍼파라미터 불필요: 기존 튜닝 대신 budget 매개변수를 사용합니다.
  • 멀티태스킹 지원: 분류(이진 및 다중 클래스), 회귀, 랭킹을 처리합니다.
  • 인과 추론 및 드리프트 모니터링: 처치 효과 추정 및 데이터/개념 드리프트 모니터링을 내장 지원합니다.
  • 지속적 학습: 계산 복잡도를 O(n²)에서 O(n)으로 줄입니다.
  • 상호 운용성: XGBoost 및 ONNX 형식으로의 네이티브 내보내기를 지원합니다.
  • 설명 가능성: SHAP 값, 부분 의존성 플롯(PDP), 특성 중요도 분석이 내장되어 있습니다.

관련

  • 프로젝트
    astra-sim/astra-sim

    ASTRA-sim은 차세대 AI 인프라의 설계 및 배포를 지원하기 위해 엔드투엔드 소프트웨어 및 하드웨어 스택을 모델링하는 분산 AI 시스템 시뮬레이터입니다.

  • 프로젝트
    SalesforceAIResearch/DiffusionDPO

    Direct Preference Optimization을 사용하여 Stable Diffusion과 같은 이미지 생성 모델을 인간의 선호도에 맞게 정렬하는 Diffusion-DPO 학습 프레€임워크입니다.

  • 프로젝트
    FilippoAiraldi/mpc-reinforcement-learning

    모델 예측 제어(MPC)를 함수 근사로 사용하여 모델 기반 강화 학습(RL) 에이전트를 훈련하는 라이브러리입니다.

  • 프로젝트
    luweiagi/machine-learning-notes

    luweiagi/machine-learning-notes는 수학 기초, 프로그래밍 기초, 고전적 머신러닝, 딥러닝을 다루는 대규모 머신러닝 학습 노트를 중첩된 목차로 정리한 중국어 노트북 스타일 프로젝트입니다. 소스 보기에서는 수학 공식이 표시되지 않으므로 렌더링된 웹사이트(GitHub Pages)로 읽도록 설계되었습니다.