論文の概要: Repository for Reusing Artifacts of Artificial Neural Networks

• arxiv url: http://arxiv.org/abs/2003.13619v1
• Date: Mon, 30 Mar 2020 16:49:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 08:39:11.153942
• Title: Repository for Reusing Artifacts of Artificial Neural Networks
• Title（参考訳）: 人工ニューラルネットワークのアーティファクト再利用のためのリポジトリ
• Authors: Javad Ghofrani, Ehsan Kozegar, Mohammad Divband Soorati, Arezoo Bozorgmehr, Hongfei Chen, Maximilian Naake
• Abstract要約: GitHubは広く利用されている再利用ツールとしてよく知られている。 GitHubは機械学習アプライアンス向けに開発されていない。 GitHubはプラットフォーム上で直接コードを実行することを許可していない。
• 参考スコア（独自算出の注目度）: 0.2955543753858105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial Neural Networks (ANNs) replaced conventional software systems in various domains such as machine translation, natural language processing, and image processing. So, why do we need an repository for artificial neural networks? Those systems are developed with labeled data and we have strong dependencies between the data that is used for training and testing our network. Another challenge is the data quality as well as reuse-ability. There we are trying to apply concepts from classic software engineering that is not limited to the model, while data and code haven't been dealt with mostly in other projects. The first question that comes to mind might be, why don't we use GitHub, a well known widely spread tool for reuse, for our issue. And the reason why is that GitHub, although very good in its class is not developed for machine learning appliances and focuses more on software reuse. In addition to that GitHub does not allow to execute the code directly on the platform which would be very convenient for collaborative work on one project.
• Abstract（参考訳）: 人工ニューラルネットワーク(ANN)は、機械翻訳、自然言語処理、画像処理など、様々な領域における従来のソフトウェアシステムを置き換える。 ではなぜニューラルネットワークのためのリポジトリが必要なのか? これらのシステムはラベル付きデータで開発され、ネットワークのトレーニングやテストに使用されるデータの間に強い依存関係があります。 もうひとつの課題は、データ品質と再利用性です。 そこで私たちは、モデルに限定されない古典的なソフトウェアエンジニアリングの概念を適用しようとしていますが、データとコードは、ほとんど他のプロジェクトで処理されてはいません。 まず最初に思い浮かぶ疑問は、私たちの問題に対して、広く普及している再利用ツールであるGitHubを使わないか、ということです。 その理由は、githubが機械学習アプライアンス向けに開発されたものではなく、ソフトウェアの再利用に重点を置いているからである。 さらに、GitHubはプラットフォーム上で直接コードを実行することを許可していない。

関連論文リスト

• RepoGraph: Enhancing AI Software Engineering with Repository-level Code Graph [63.87660059104077]
  RepoGraphは、現代のAIソフトウェアエンジニアリングソリューションのためのリポジトリレベルの構造を管理するプラグインモジュールである。 RepoGraphはすべてのシステムのパフォーマンスを大幅に向上させ、オープンソースフレームワークの間で新たな最先端技術を生み出している。
  論文  参考訳（メタデータ） (2024-10-03T05:45:26Z)
• NASiam: Efficient Representation Learning using Neural Architecture Search for Siamese Networks [76.8112416450677]
  シームズネットワークは、自己教師付き視覚表現学習(SSL)を実現するための最も傾向のある方法の1つである。 NASiamは、初めて微分可能なNASを使用して、多層パーセプトロンプロジェクタと予測器(エンコーダ/予測器ペア)を改善する新しいアプローチである。 NASiamは、小規模(CIFAR-10/CIFAR-100)と大規模(画像Net)画像分類データセットの両方で競合性能を達成し、わずか数GPU時間しかかからない。
  論文  参考訳（メタデータ） (2023-01-31T19:48:37Z)
• Automatically Categorising GitHub Repositories by Application Domain [14.265666415804025]
  GitHubは、インターネット上で最大のオープンソースソフトウェアホストである。 幅広いドメインにまたがるリポジトリの多さをナビゲートするのはますます困難になっている。 過去の研究によると、アプリケーションドメインを考慮に入れることは、リポジトリの人気を予測するといったタスクに不可欠である。
  論文  参考訳（メタデータ） (2022-07-30T16:27:16Z)
• Transfer Learning with Deep Tabular Models [66.67017691983182]
  上流データにより、グラフニューラルネットワークはGBDTモデルよりも決定的な優位性を示す。 そこで本研究では,表在化学習のための現実的な診断ベンチマークを提案する。 上流と下流の特徴セットが異なる場合の擬似特徴法を提案する。
  論文  参考訳（メタデータ） (2022-06-30T14:24:32Z)
• PyTorch Geometric Signed Directed: A Software Package on Graph Neural Networks for Signed and Directed Graphs [20.832917829426098]
  PyGSD (PyTorch Geometric Signed Directed) は、PyGSDのソフトウェアパッケージである。 PyGSDは、使い易いGNNモデル、合成および実世界のデータ、タスク固有の評価指標と損失関数で構成されている。 PyGの拡張ライブラリとして提案されているソフトウェアは、オープンソースリリース、詳細なドキュメント、継続的インテグレーション、ユニットテスト、コードカバレッジチェックでメンテナンスされています。
  論文  参考訳（メタデータ） (2022-02-22T10:25:59Z)
• ExAIS: Executable AI Semantics [4.092001692194709]
  ニューラルネットワークは、プログラマの心の中で(しばしば非公式に)論理的推論を通じて、より複雑なプログラムを構築する代わりに、汎用的なニューラルネットワークモデルをビッグデータで最適化することで、新しいプログラミングパラダイムとみなすことができる。 この新しいパラダイムでは、PyTorchのようなAIフレームワークが重要な役割を果たす。 プログラミング言語(Cなど)の適切な意味論が欠如していること、すなわちコンパイラの正当性仕様が、多くの問題のあるプログラムの動作やセキュリティ問題に寄与していることが知られている。
  論文  参考訳（メタデータ） (2022-02-20T17:33:34Z)
• LabelGit: A Dataset for Software Repositories Classification using Attributed Dependency Graphs [11.523471275501857]
  LabelGitと呼ばれるGitHubプロジェクトの新しいデータセットを作成します。 私たちのデータセットは、依存関係グラフや識別子からのソースコードニューラル表現など、ソースコードからの直接的な情報を使用します。 プロキシに頼らず、ソースコード全体を分類するために使用するソリューションの開発を支援することを願っています。
  論文  参考訳（メタデータ） (2021-03-16T07:28:58Z)
• A Practical Tutorial on Graph Neural Networks [49.919443059032226]
  グラフニューラルネットワーク(GNN)は、人工知能(AI)分野において最近人気が高まっている。 このチュートリアルでは、GNNのパワーとノベルティをAI実践者に公開している。
  論文  参考訳（メタデータ） (2020-10-11T12:36:17Z)
• GitEvolve: Predicting the Evolution of GitHub Repositories [31.814226661858694]
  GitHubリポジトリの進化を予測するシステムであるGitEvolveを提案する。 私たちは、人気を予測するために共通の関心をモデル化することで、ユーザをグループにマップします。 提案したマルチタスクアーキテクチャは汎用的であり、他のソーシャルネットワークで情報拡散をモデル化するために拡張することができる。
  論文  参考訳（メタデータ） (2020-10-09T04:32:15Z)
• Neurocoder: Learning General-Purpose Computation Using Stored Neural Programs [64.56890245622822]
  ニューロコーダ(Neurocoder)は、汎用計算機の全く新しいクラスである。 共有可能なモジュール型プログラムのセットから関連するプログラムを構成することで、データ応答性のある方法で“コード”を行う。 モジュールプログラムを学習し、パターンシフトを厳しく処理し、新しいプログラムが学習されると、古いプログラムを記憶する新しい能力を示す。
  論文  参考訳（メタデータ） (2020-09-24T01:39:16Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。