論文の概要: FLAME: A Self-Adaptive Auto-labeling System for Heterogeneous Mobile Processors

• arxiv url: http://arxiv.org/abs/2003.01762v1
• Date: Tue, 3 Mar 2020 19:54:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 22:07:23.049611
• Title: FLAME: A Self-Adaptive Auto-labeling System for Heterogeneous Mobile Processors
• Title（参考訳）: FLAME:不均一なモバイルプロセッサのための自己適応型自動ラベルシステム
• Authors: Jie Liu, Jiawen Liu, Zhen Xie, Dong Li
• Abstract要約: 本研究では,非定常データを未知のラベルでラベル付けできる自動ラベル付けシステムであるFlameを紹介する。 Flameには、ヘテロジニアスなモバイルプロセッサ上で自動ラベリングワークロードを効率的にスケジュールし、実行するランタイムシステムが含まれている。 また,Flameでは,高いラベル付け精度と高い性能で自動ラベル付けが可能であることを実証した。
• 参考スコア（独自算出の注目度）: 9.098876887497696
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How to accurately and efficiently label data on a mobile device is critical for the success of training machine learning models on mobile devices. Auto-labeling data on mobile devices is challenging, because data is usually incrementally generated and there is possibility of having unknown labels. Furthermore, the rich hardware heterogeneity on mobile devices creates challenges on efficiently executing auto-labeling workloads. In this paper, we introduce Flame, an auto-labeling system that can label non-stationary data with unknown labels. Flame includes a runtime system that efficiently schedules and executes auto-labeling workloads on heterogeneous mobile processors. Evaluating Flame with eight datasets on a smartphone, we demonstrate that Flame enables auto-labeling with high labeling accuracy and high performance.
• Abstract（参考訳）: モバイルデバイス上でデータを正確かつ効率的にラベル付けする方法は、モバイルデバイス上で機械学習モデルをトレーニングする成功に不可欠である。 通常、データは徐々に生成され、未知のラベルを持つ可能性があるため、モバイルデバイス上のデータの自動ラベル付けは困難である。 さらに、モバイルデバイス上のリッチなハードウェアの不均一性は、自動ラベリングワークロードを効率的に実行する上での課題を生み出します。 本稿では,非定常データを未知のラベルでラベル付けできる自動ラベル付けシステムであるFlameを紹介する。 flameには、ヘテロジニアスなモバイルプロセッサ上で自動ラベル処理を効率的にスケジュールし実行するランタイムシステムが含まれている。 スマートフォン上で8つのデータセットでFlameを評価することで、高いラベル付け精度と高いパフォーマンスで自動ラベル付けを可能にすることを示す。

関連論文リスト

• An Automated Approach to Collecting and Labeling Time Series Data for Event Detection Using Elastic Node Hardware [18.15754187896287]
  本稿では,センサデータをIoTデバイス上で直接ラベル付けする新しい組込みシステムを提案する。 本稿では,各種センサデータのキャプチャとラベル付けを効率化する,特殊なラベル付けセンサを備えたハードウェアとソフトウェアの統合ソリューションを提案する。
  論文  参考訳（メタデータ） (2024-07-06T15:19:16Z)
• You can't handle the (dirty) truth: Data-centric insights improve pseudo-labeling [60.27812493442062]
  擬似ラベル法を改善するためにラベル付きデータ品質を調査することが重要であることを示す。 具体的には、擬似ラベルの拡張のために、DIPSと呼ばれる新しいデータキャラクタリゼーションと選択フレームワークを導入する。 本研究では,多種多様な実世界のデータセットを対象とした擬似ラベル手法に対するDIPSの適用性と影響を実証する。
  論文  参考訳（メタデータ） (2024-06-19T17:58:40Z)
• LabelCraft: Empowering Short Video Recommendations with Automated Label Crafting [39.34451811003711]
  短いビデオレコメンデーションは、ユーザからのフィードバックの質のために、しばしば制限に直面します。 元のフィードバックからより信頼性の高いラベルを生成する、という新しいタスクが登場した。 本稿では,ラベルの自動生成手法であるLabelCraftを紹介する。
  論文  参考訳（メタデータ） (2023-12-18T05:53:44Z)
• Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
  imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。 我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
  論文  参考訳（メタデータ） (2023-05-22T04:50:28Z)
• What Are Effective Labels for Augmented Data? Improving Calibration and Robustness with AutoLabel [25.90876543174631]
  歪んだデータに対する1ホットラベルの再使用は、ノイズの追加や精度の劣化、校正のリスクを負う可能性がある。 そこで本研究では,ラベルの信頼度を自動的に学習する汎用手法であるAutoLabelを提案する。 私たちはAutoLabelを、最先端のRandAug、AugMix、敵のトレーニングという3つの異なるデータ拡張テクニックに適用することに成功しました。
  論文  参考訳（メタデータ） (2023-02-22T07:44:17Z)
• AutoWS: Automated Weak Supervision Framework for Text Classification [1.748907524043535]
  本稿では、ドメインエキスパートへの依存を減らしつつ、弱い監督プロセスの効率を高めるための新しい枠組みを提案する。 本手法では,ラベルクラス毎にラベル付きサンプルの小さなセットが必要であり,多数のラベル付きデータにノイズ付きラベルを割り当てるラベル付き関数のセットを自動生成する。
  論文  参考訳（メタデータ） (2023-02-07T07:12:05Z)
• Losses over Labels: Weakly Supervised Learning via Direct Loss Construction [71.11337906077483]
  プログラム可能な弱い監視は、機械学習のパラダイムとして成長している。 ラベルの中間ステップを経由することなく,直接損失を発生させるため,ラベルのロバスト・オーバー・ラベル(Losses over Labels, LoL)を提案する。 いくつかのベンチマークテキストおよび画像分類タスクにおいて、LoLは既存の弱い監督手法を改善していることを示す。
  論文  参考訳（メタデータ） (2022-12-13T22:29:14Z)
• AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
  リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。 我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
  論文  参考訳（メタデータ） (2022-01-31T20:02:22Z)
• Boosting Semi-Supervised Face Recognition with Noise Robustness [54.342992887966616]
  本稿では,自動ラベルによるラベル雑音に対して頑健な半教師付き顔認識に対する効果的な解法を提案する。 そこで我々は,gnが強化するロバストな学習能力に基づく,ノイズロバスト学習ラベリング(nroll)という,半教師付き顔認識ソリューションを開発した。
  論文  参考訳（メタデータ） (2021-05-10T14:43:11Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• Generative Adversarial Data Programming [32.2164057862111]
  本稿では,ラベル付け機能を用いた遠隔監視信号を用いて,与えられたデータのラベルをほぼ一定時間で取得できることを示す。 このフレームワークは、自己教師付きラベル付き画像生成、ラベル付き画像生成へのゼロショットテキスト、転送学習、マルチタスク学習など、さまざまな設定に拡張されている。
  論文  参考訳（メタデータ） (2020-04-30T07:06:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。