要旨: 深層学習（DL）は、現代の機械学習（ML）実践の基盤となっています。私たちは、mlr3エコシステム向けの拡張可能なDLフレームワークであるRパッケージ mlr3torch を紹介します。このパッケージはtorchパッケージの上に構築されており、分類と回帰のために、表形式データと汎用テンソル（例：画像）の両方に対するニューラルネットワークの定義、学習、評価を簡素化します。パッケージはあらかじめ定義されたアーキテクチャを実装しており、torchモデルはmlr3の学習器（learner）へ容易に変換できます。また、ユーザはニューラルネットワークをグラフとして定義することも可能です。この表現はmlr3pipelinesで定義されるグラフ言語に基づいており、前処理、データ拡張、ネットワークのアーキテクチャを含む、モデリングのワークフロー全体を単一のグラフで定義できます。mlr3エコシステムに統合されていることで、再サンプリング、ベンチマーク、前処理などが便利に行えます。私たちはパッケージの設計と機能を説明し、新しい問題へのカスタマイズと拡張方法を示します。さらに、3つのユースケース、すなわちハイパーパラメータチューニング、ファインチューニング、マルチモーダルデータ向けのアーキテクチャ定義を用いて、パッケージの能力を実証します。最後に、いくつかのランタイムベンチマークを提示します。
mlr3torch：mlr3 と torch に基づく R 向けディープラーニングフレームワーク
arXiv stat.ML / 2026/4/21
📰 ニュースDeveloper Stack & InfrastructureTools & Practical UsageModels & Research
要点
- mlr3torchは、R向けにmlr3エコシステムへ統合された拡張可能なディープラーニングフレームワークを提供します。
- torchパッケージの上に構築されており、分類・回帰に対応し、表形式データだけでなく画像などのテンソル入力に対してもニューラルネットワークの定義・学習・評価を簡単にします。
- 事前定義済みのネットワーク構成が用意され、torchモデルをmlr3の学習器（learner）へ容易に変換できるため、既存のPyTorch風モデルをmlr3内で活用できます。
- mlr3pipelinesのグラフ言語を活用し、前処理・データ拡張・ネットワーク構成までを1つのグラフとして表現して、モデリング全体のワークフローを設計できます。
- デザインの説明、カスタマイズ／拡張方法、3つのユースケース（ハイパーパラメータ探索、ファインチューニング、マルチモーダル向けアーキテクチャ）とランタイムベンチマークが示されています。
