SELA

SELA verbessert automatisiertes maschinelles Lernen durch die Kombination von Monte-Carlo-Baumsuche und einem auf LLMs basierenden Agenten.

Normales ProduktProgrammierungAutomatisiertes maschinelles LernenMonte-Carlo-Baumsuche

Website öffnen

SELA ist ein innovatives System, das automatisiertes maschinelles Lernen (AutoML) durch die Kombination von Monte-Carlo-Baumsuche (MCTS) mit einem auf großen Sprachmodellen (LLMs) basierenden Agenten verbessert. Herkömmliche AutoML-Methoden erzeugen häufig eine geringe Diversität und suboptimalen Code, was ihre Effektivität bei der Modellselektion und -integration einschränkt. SELA ermöglicht es dem Agenten, den Lösungsraum intelligent zu erkunden und seine Strategie iterativ anhand von experimentellem Feedback zu verbessern, indem die Pipeline-Konfiguration als Baum dargestellt wird.

Datenaufbereitung: Unterstützt das Herunterladen von Datensätzen über Links oder die Vorbereitung von Datensätzen von Grund auf.
Flexible Konfiguration: Benutzer können die Daten- und LLM-Konfiguration nach Bedarf anpassen.
SELA-Ausführung: Bietet detaillierte Schritte zur Ausführung von SELA
einschließlich Einrichtung
Durchführung von Experimenten und Parameterkonfiguration.
Experimentiermodus: Unterstützt zwei Experimentiermodi: MCTS und zufällige Suche (RS).
Parameteranpassung: Benutzer können Parameter wie Rollouts und Timeout nach Bedarf anpassen.
Fortsetzen nach Unterbrechung: Unterstützt das Laden bestehender MCTS-Bäume
um Experimente nach einer Unterbrechung fortzusetzen.
Ablation Study: Unterstützt die Durchführung von Ablationsstudien zum Vergleich der Effektivität verschiedener Suchstrategien.

Die Zielgruppe von SELA sind Wissenschaftler und Entwickler im Bereich maschinelles Lernen
insbesondere solche
die die Effizienz der Modellselektion und -integration durch Automatisierung des maschinellen Lernprozesses verbessern möchten. SELA bietet eine neuartige Methode zur Exploration und Optimierung von Pipelines für maschinelles Lernen und eignet sich für Experten
die große Datenmengen und eine umfangreiche Modellselektion verarbeiten müssen.

Modellselektion und -integration mit SELA im Titanic-Datensatz.
Optimierung der Modellleistung mit SELA bei der Vorhersage von Hauspreisen.
Durchführung einer Ablationsstudie mit SELA
um den Einfluss verschiedener Suchstrategien auf die Modellleistung zu vergleichen.

1. Datenaufbereitung: Laden Sie gemäß den SELA-Anweisungen Datensätze herunter oder bereiten Sie diese vor.
2. Konfiguration: Passen Sie die Konfiguration in den Dateien `datasets.yaml` und `data.yaml` nach Bedarf an.
3. Abhängigkeiten installieren: Installieren Sie die benötigten Abhängigkeiten im SELA-Verzeichnis mit `pip install -r requirements.txt`.
4. SELA ausführen: Führen Sie das Experiment mit dem Befehl `python run_experiment.py` und den entsprechenden Parametern aus.
5. Parameteranpassung: Passen Sie die Parameter Rollouts

Website öffnen

SELA Neueste Verkehrssituation

Monatliche Gesamtbesuche

474564576

Absprungrate

36.20%

Durchschnittliche Seiten pro Besuch

6.1

Durchschnittliche Besuchsdauer

00:06:34

SELA Besuchstrend

SELA Geografische Verteilung der Besuche

Best AI Websites & Tools

SELA

SELA Neueste Verkehrssituation

SELA Besuchstrend

SELA Geografische Verteilung der Besuche

SELA Traffic-Quellen

SELA Alternativen

SELA — SELA verbessert automatisiertes maschinelles Lernen durch die Kombination von Monte-Carlo-Baumsuche und einem auf LLMs basierenden Agenten.

Argo — Erstellen Sie ganz einfach Ihr eigenes großes Sprachmodell – exklusives Wissen, komplett lokal.

AoT — Atom of Thoughts (AoT) ist ein Framework zur Verbesserung der Inferenzleistung großer Sprachmodelle.

Level-Navi Agent-Suche — Level-Navi Agent ist ein sofort einsetzbares Framework, das große Sprachmodelle zur tiefgehenden Abfrageanalyse und präzisen Suche nutzt.

M2RAG — Code-Repository für Benchmark-Tests zur retrieval-augmented generation in multimodalen Kontexten.

SWE-RL — Verbesserung der Inferenzfähigkeit großer Sprachmodelle in der Entwicklung von Open-Source-Software durch verstärkendes Lernen

Coding-Tutor — Erkundung des Potenzials großer Sprachmodelle als Programmierhilfe und Einführung des Trace-and-Verify-Workflows.

MoBA — MoBA ist ein hybrider Block-Aufmerksamkeitsmechanismus für lange Textkontexte, der die Effizienz von großen Sprachmodellen verbessern soll.

OmniParser-v2.0 — OmniParser ist ein universelles Tool zur Bildschirmanalyse, das UI-Screenshots in ein strukturiertes Format umwandelt und so die Leistung von auf LLMs basierenden UI-Agenten verbessert.

Sonus-1 — Sonus-1: Das neue Zeitalter der großen Sprachmodelle (LLMs)

Smolagents — Eine leichtgewichtige Bibliothek zum Erstellen hochperformanter intelligenter Agents.

FlagAI — Ein Open-Source-Projekt für Algorithmen, Modelle und Optimierungstools für große Sprachmodelle (LLMs) – alles aus einer Hand.

Midscene.js — KI-gestütztes UI-Automatisierungstool zur Vereinfachung der Codierung und Steigerung der Effizienz.

FlagEval — Modellbewertungsplattform

ExploreToM — Framework zur groß angelegten Generierung vielfältiger und herausfordernder Daten zur Theorie des Geistes

CosyVoice 2 — Skalierbare Streaming-Sprachsynthesetechnologie in Kombination mit großen Sprachmodellen.

MLPerf Client — Benchmark für die KI-Leistung von PCs

Sandbox Fusion — Multifunktionale Code-Sandbox für große Sprachmodelle.

O1-CODER — Ein Programmierhilfstool, das versucht, das OpenAI O1-Modell zu reproduzieren.

Star-Attention — Effiziente Inferenztechnik für große Sprachmodelle mit langen Sequenzen

WorkflowLLM — Datengetriebenes Framework zur Verbesserung der Workflow-Orchestrierung von großen Sprachmodellen

Agora — Plattformübergreifendes Kommunikationsprotokoll, das die effiziente Kommunikation verschiedener großer Sprachmodelle (LLMs) ermöglicht.

5ire — Einfach zu bedienen und entfesselt die immense Kraft der KI.

LLaMA-O1 — Großes Inferenzmodell-Framework, unterstützt PyTorch und Hugging Face.

O1-Journey — O1-Journey: Strategischer Fortschrittsbericht Teil 1

AFlow — Automatisiertes Workflow-Generierungsframework

Online-URL-Parser — Online-URL-Parser: Wandeln Sie URLs in ein für große Sprachmodelle (LLMs) geeignetes Eingabeformat um.

LongVU — Raum-zeitadaptiertes Kompressionsmodell für das Sprachverständnis in Langvideos

awesome-LLM-Ressourcen — Zusammenstellung globaler Ressourcen für große Sprachmodelle (LLMs)

AutoDAN-Turbo — Automatisierungsframework zur Überwindung von Beschränkungen großer Sprachmodelle