flyingsquid:通过FlyingSquid进行更多的交互式弱监督

  • o9_921835
    了解作者
  • 3.4MB
    文件大小
  • zip
    文件格式
  • 0
    收藏次数
  • VIP专享
    资源类型
  • 0
    下载次数
  • 2022-04-30 21:40
    上传日期
通过FlyingSquid进行更具交互性的弱监督 更新06/17/20 :重构了代码,具有两个新功能: 通过查看所有可能的三元组并取均值或中位数来计算标签模型参数; 我们发现这比只看一个三元组更稳定(使用label_model.fit(..., solve_method='triplet_mean') )。 默认情况下,代码现在使用triplet_mean 。 使用label_model.estimated_accuracies()获得每个标记函数P(lambda_i == Y)的估计精度。 FlyingSquid是一个新框架,用于从多个嘈杂的标签源自动构建模型。 用户编写的函数会为数据生成嘈杂的标签,FlyingSquid使用它们之间的协议和分歧来了解标签功能的准确性标签模型。 标签模型可以直接用于下游应用,也可以用于训练功能强大的最终模型: FlyingSquid可用于为各种任
flyingsquid-master.zip
  • flyingsquid-master
  • flyingsquid
  • helpers.py
    151B
  • label_model.py
    42.9KB
  • _graphs.py
    5.1KB
  • _observables.py
    3.2KB
  • __init__.py
    0B
  • _lm_parameters.py
    7KB
  • pytorch_loss.py
    11.8KB
  • _triplets.py
    22.5KB
  • examples
  • tutorials
  • L_dev_video.npy
    35.1KB
  • Video.ipynb
    13.2KB
  • Y_dev_video.npy
    6KB
  • __init__.py
    0B
  • L_train_video.npy
    326.3KB
  • Basics.ipynb
    8.3KB
  • tutorial_helpers.py
    2.1KB
  • 02_video.py
    1.5KB
  • 01_basics.py
    617B
  • README.md
    794B
  • 03_pytorch_integration.py
    4KB
  • figs
  • graphical_structure_simple.png
    116KB
  • tennis_nonrally.png
    1.2MB
  • tennis_rally.png
    1.3MB
  • graphical_structure_video_lambda_dep.png
    71.7KB
  • logo.png
    59.8KB
  • graphical_structure_video.png
    71.2KB
  • System Diagram.png
    739.6KB
  • LICENSE
    11.1KB
  • environment.yml
    537B
  • setup.py
    383B
  • README.md
    2.8KB
  • .gitignore
    58B
内容介绍
<div> </div> # More Interactive Weak Supervision with FlyingSquid **UPDATE 06/17/20**: Code re-factored, with two new features: * Compute label model parameters by looking at all possible triplets and taking the mean or median; we find this to be more stable than just looking at a single triplet (use `label_model.fit(..., solve_method='triplet_mean')`). By default, the code now uses `triplet_mean`. * Get the estimated accuracies of each labeling function `P(lambda_i == Y)` with `label_model.estimated_accuracies()`. FlyingSquid is a new framework for automatically building models from multiple noisy label sources. Users write functions that generate noisy labels for data, and FlyingSquid uses the agreements and disagreements between them to learn a _label model_ of how accurate the _labeling functions_ are. The label model can be used directly for downstream applications, or it can be used to train a powerful end model: <div> </div> FlyingSquid can be used to build models for all sorts of tasks, including text applications, video analysis, and online learning. Check out our [blog post](http://hazyresearch.stanford.edu/flyingsquid) and paper on [arXiv](https://arxiv.org/abs/2002.11955) for more details! ## Getting Started * Quickly [install](#installation) FlyingSquid * Check out the [examples](examples/) folder for tutorials and some simple code examples ## Sample Usage ```Python from flyingsquid.label_model import LabelModel import numpy as np L_train = np.load('...') m = L_train.shape[1] label_model = LabelModel(m) label_model.fit(L_train) preds = label_model.predict(L_train) ``` ## Installation We recommend using `conda` to install FlyingSquid: ``` git clone https://github.com/HazyResearch/flyingsquid.git cd flyingsquid conda env create -f environment.yml conda activate flyingsquid ``` Alternatively, you can install the dependencies yourself: * [Pgmpy](http://pgmpy.org/) * [PyTorch](https://pytorch.org/) (only necessary for the PyTorch integration) And then install the actual package: ``` pip install flyingsquid ``` To install from source: ``` git clone https://github.com/HazyResearch/flyingsquid.git cd flyingsquid conda env create -f environment.yml conda activate flyingsquid pip install -e . ``` ## Citation If you use our work or found it useful, please cite our [paper](https://arxiv.org/abs/2002.11955) at ICML 2020: ``` @inproceedings{fu2020fast, author = {Daniel Y. Fu and Mayee F. Chen and Frederic Sala and Sarah M. Hooper and Kayvon Fatahalian and Christopher R\'e}, title = {Fast and Three-rious: Speeding Up Weak Supervision with Triplet Methods}, booktitle = {Proceedings of the 37th International Conference on Machine Learning (ICML 2020)}, year = {2020}, } ```
评论
    相关推荐
    • reactjournal:重构React日志
      交互式监视模式下启动测试运行器。 有关更多信息,请参见关于的部分。 npm run build 构建生产到应用程序build文件夹。 它在生产模式下正确捆绑了React,并优化了构建以获得最佳性能。 生成被最小化,并且...
    • Heroku代码重构
      交互式监视模式下启动测试运行程序。 有关更多信息,请参见关于的部分。 npm run build 构建生产到应用程序build文件夹。 它在生产模式下正确捆绑了React,并优化了构建以获得最佳性能。 最小化构建,文件名...
    • 爱花朵背单词 v3.1.zip
      2.0对界面及交互进行了优化和重构,使用了几种不同的蓝灰色色系,此举可最大程度保持整个界面的简洁和优雅。同时,优化了"每日一句""单词拼写"等功能,对软件的易用性进行了大大优化。 三、新增真人例句发音,告别...
    • 重构拖拉机
      FitLit生活方式追踪器 安装说明: ... 从主页开始,您将看到您的用户部分和交互式的图表网格。 根据您的兴趣选择一个。 该应用程序的三个主要类别可以被视为活动,水合和睡眠。 在每个图形中,显示为网格
    • tiny-graphics-js:Tiny Graphics WebGL库
      tiny-graphics-js库重构了WebGL的常见步骤,展示了如何组织复杂的图形程序。 使用此库学习图形和WebGL。 您将减少困扰初学者WebGL项目的混乱和重复。 通过显示紧凑但有效的WebGL命令用法,tiny-graphics-js库主要...
    • 重构投资组合
      交互式监视模式下启动测试运行程序。 有关更多信息,请参见关于的部分。 npm run build 构建生产到应用程序build文件夹。 它在生产模式下正确捆绑了React,并优化了构建以获得最佳性能。 最小化构建,文件名...
    • TXT-RPG:基于文本的角色扮演游戏框架
      幸运的是,我在开始时编写的大部分代码现在都经过翻新和重构,但其中一些仍然存在并且项目的某些部分通常可能需要一些翻新或重构。 该框架包含 14个不同的命令 攻击 后退 字符表 降低 装备 设备 去 帮助 存货 看 拿...
    • 重构项目实例
      对于重构技术进行研究,对项目实例进行重构并对比效果。
    • 重构实践
      类之间的交互是使用发布者-订阅者设计模式完成的。 由于可以在Unity Editor中分配订阅者,因此我在本示例中使用UnityEvents。 这使得组件完全独立。 另外,我应用了装饰器和访客设计模式来使得分更新及其实现松散地...
    • GaussDB_100_1.0.1-DATABASE-REDHAT-64bit.tar.gz
      guassdb100在redhat上安装包,单机部署的包,安装步骤请看我的文中介绍,经过大量实验搭建总结出来的文档