diff --git a/README.md b/README.md index 7ab292e..9a6403e 100644 --- a/README.md +++ b/README.md @@ -1,5 +1,14 @@ # ASID: Автоматическое обучение для малых и несбалансированных выборок +[![SAI](https://github.com/ITMO-NSS-team/open-source-ops/blob/master/badges/SAI_badge_flat.svg)](https://sai.itmo.ru/) +[![ITMO](https://github.com/ITMO-NSS-team/open-source-ops/blob/master/badges/ITMO_badge_flat_rus.svg)](https://en.itmo.ru/en/) + +[![Python 3.8](https://img.shields.io/badge/python-3.8-blue.svg)](https://www.python.org/downloads/release/python-380/) +[![Documentation](https://github.com/aimclub/asid/actions/workflows/docs.yml/badge.svg)](https://aimclub.github.io/asid/docs/build/html/index.html) +[![Tests](https://github.com/aimclub/asid/actions/workflows/test.yml/badge.svg)](https://github.com/aimclub/asid/actions/workflows/test.yml) +[![Eng](https://img.shields.io/badge/lang-en-red.svg)](/README_en.md) +[![Mirror](https://camo.githubusercontent.com/9bd7b8c5b418f1364e72110a83629772729b29e8f3393b6c86bff237a6b784f6/68747470733a2f2f62616467656e2e6e65742f62616467652f6769746c61622f6d6972726f722f6f72616e67653f69636f6e3d6769746c6162)](https://gitlab.actcognitive.org/itmo-sai-code/asid/) + Библиотека ASID включает в себя инструменты автоматического обучения на малых и несбалансированных выборках в табличном формате. Для **малых выборок** библиотека содержит алгоритм [`GenerativeModel`](https://gitlab.actcognitive.org/itmo-sai-code/asid/-/blob/master/asid/automl_small/gm.py). Он обучает оптимальную генеративную модель, которая сэмплирует схожие синтетические выборки и не переобучается. Основные преимущества алгоритма: @@ -79,16 +88,37 @@ score = f1_score(y_test, pred, average="macro") ``` # Бенчмарки Результаты эмпирического анализа алгоритмов ASID на различных датасетах доступны [здесь](https://github.com/ekplesovskaya/asid/wiki/5.-Benchmarks). + # Документация Документация для ASID доступна по этому [адресу](https://aimclub.github.io/asid/docs/build/html/index.html). Примеры использования доступны по этой [ссылке](https://gitlab.actcognitive.org/itmo-sai-code/asid/-/tree/master/examples). + # Цитирование -Plesovskaya, Ekaterina, and Sergey Ivanov. "An Empirical Analysis of KDE-based Generative Models on Small Datasets." Procedia Computer Science 193 (2021): 442-452. +ГОСТ: + +> Plesovskaya, Ekaterina, and Sergey Ivanov. "An Empirical Analysis of KDE-based Generative Models on Small Datasets." Procedia Computer Science 193 (2021): 442-452. + +Bibtex: + +```bibtex +@article{plesovskaya2021empirical, + title={An empirical analysis of KDE-based generative models on small datasets}, + author={Plesovskaya, Ekaterina and Ivanov, Sergey}, + journal={Procedia Computer Science}, + volume={193}, + pages={442--452}, + year={2021}, + publisher={Elsevier} +} +``` + # Поддержка -Библиотека разработана при поддержке исследовательского центра [**"Сильный искусственный интеллект в промышленности"**]() [**Университета ИТМО**](https://itmo.ru) (г. Санкт-Петербург, Россия) +Исследование проводится при поддержке [Исследовательского центра сильного искусственного интеллекта в промышленности](https://sai.itmo.ru/) [Университета ИТМО](https://itmo.ru/) в рамках мероприятия программы центра: Разработка и испытания экспериментального образца библиотеки алгоритмов сильного ИИ в части базовых алгоритмов оценки качества и автоматической адаптации моделей машинного обучения под сложность задачи и размер выборки на основе генеративного синтеза комплексных цифровых объектов - + + + # Контакты [Екатерина Плесовская](https://scholar.google.com/citations?user=PdydDtQAAAAJ&hl=ru), ekplesovskaya@gmail.com diff --git a/README_en.md b/README_en.md index ac0bfe6..5ca4961 100644 --- a/README_en.md +++ b/README_en.md @@ -1,4 +1,13 @@ # ASID: AutoML for Small and Imbalanced Datasets +[![SAI](https://github.com/ITMO-NSS-team/open-source-ops/blob/master/badges/SAI_badge_flat.svg)](https://sai.itmo.ru/) +[![ITMO](https://github.com/ITMO-NSS-team/open-source-ops/blob/master/badges/ITMO_badge_flat_rus.svg)](https://en.itmo.ru/en/) + +[![Python 3.8](https://img.shields.io/badge/python-3.8-blue.svg)](https://www.python.org/downloads/release/python-380/) +[![Documentation](https://github.com/aimclub/asid/actions/workflows/docs.yml/badge.svg)](https://aimclub.github.io/asid/docs/build/html/index.html) +[![Tests](https://github.com/aimclub/asid/actions/workflows/test.yml/badge.svg)](https://github.com/aimclub/asid/actions/workflows/test.yml) +[![Rus](https://img.shields.io/badge/lang-ru-yellow.svg)](/README.md) +[![Mirror](https://camo.githubusercontent.com/9bd7b8c5b418f1364e72110a83629772729b29e8f3393b6c86bff237a6b784f6/68747470733a2f2f62616467656e2e6e65742f62616467652f6769746c61622f6d6972726f722f6f72616e67653f69636f6e3d6769746c6162)](https://gitlab.actcognitive.org/itmo-sai-code/asid/) + ASID library comprises autoML tools for small and imbalanced tabular datasets. For **small datasets** we propose a [`GenerativeModel`](https://github.com/ekplesovskaya/asid/blob/master/asid/automl_small/gm.py) estimator that searches for an optimal generative algorithm, which outputs similar synthetic samples and does not overfit. Main features of this tool: @@ -78,17 +87,37 @@ score = f1_score(y_test, pred, average="macro") ``` # Benchmarks Results or empirical experiments with ASID algorithms are available [here](https://github.com/ekplesovskaya/asid/wiki/5.-Benchmarks). + # Documentation Documentation about ASID could be found [here](https://aimclub.github.io/asid/docs/build/html/index.html). Examples of usage could be obtained from [examples](https://github.com/ekplesovskaya/asid/tree/master/examples). + # Citation -Plesovskaya, Ekaterina, and Sergey Ivanov. "An Empirical Analysis of KDE-based Generative Models on Small Datasets." Procedia Computer Science 193 (2021): 442-452. +GOST: + +> Plesovskaya, Ekaterina, and Sergey Ivanov. "An Empirical Analysis of KDE-based Generative Models on Small Datasets." Procedia Computer Science 193 (2021): 442-452. + +Bibtex: + +```bibtex +@article{plesovskaya2021empirical, + title={An empirical analysis of KDE-based generative models on small datasets}, + author={Plesovskaya, Ekaterina and Ivanov, Sergey}, + journal={Procedia Computer Science}, + volume={193}, + pages={442--452}, + year={2021}, + publisher={Elsevier} +} +``` + # Supported by -The study is supported by the Research Center [**Strong Artificial Intelligence in Industry**]() -of [**ITMO University**](https://itmo.ru) (Saint Petersburg, Russia) +The study is supported by the [Research Center Strong Artificial Intelligence in Industry](https://sai.itmo.ru/) of [ITMO University](https://itmo.ru/) as part of the plan of the center's program: Development and testing of an experimental prototype of a library of strong AI algorithms in terms of basic algorithms based on generative synthesis of complex digital objects for quality assessment and automatic adaptation of machine learning models to the complexity of the task and sample size - + + + # Contacts [Ekaterina Plesovskaya](https://scholar.google.com/citations?user=PdydDtQAAAAJ&hl=ru), ekplesovskaya@gmail.com