数值验证是机器学习研究的核心，因为它允许评估新方法的实际影响，并确认理论和实践之间的一致性。然而，该领域的快速发展构成了一些挑战：研究人员面临着大量的方法来比较，有限的透明度和最佳实践的共识以及乏味的重新实施工作。结果，验证通常是非常部分的，这可能会导致错误的结论，从而减慢研究的进展。我们提出了Benchopt，这是一个协作框架，旨在在跨编程语言和硬件体系结构的机器学习中自动化，复制和发布优化基准。 Benchopt通过提供用于运行，共享和扩展实验的现成工具来简化社区的基准测试。为了展示其广泛的可用性，我们在三个标准学习任务上展示基准：$ \ ell_2 $ regulaine的逻辑回归，套索和RESNET18用于图像分类的培训。这些基准强调了关键的实际发现，这些发现对这些问题的最新问题更加细微，这表明在实际评估中，魔鬼在细节上。我们希望Benchopt能在社区中促进合作工作，从而改善研究结果的可重复性。
translated by 谷歌翻译
我们提出了望远镜仪器反应领域的数据驱动建模范式转变。通过在建模框架中添加可差的光学前进模型，我们将数据驱动的建模空间从像素从像素改为波前。这允许从乐器响应转移到前向模型的大量复杂性，同时能够适应观察，剩余数据驱动。我们的框架允许前进的方式构建身体动力，可解释的强大模型，并且不需要特殊校准数据。我们表明，对于空间望远镜的简化设置，与现有数据驱动的方法相比，该框架与具有在观察分辨率下降5倍的重建误差和3倍超分辨率的10倍以上的数据驱动误差相比，该框架代表了实际性能突破。我们仅使用嘈杂的宽带焦点观测成功地模拟了仪器的响应的色彩变化。
translated by 谷歌翻译