論文の概要: Learning, transferring, and recommending performance knowledge with
Monte Carlo tree search and neural networks
- arxiv url: http://arxiv.org/abs/2005.03063v1
- Date: Wed, 6 May 2020 18:26:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 04:57:09.308470
- Title: Learning, transferring, and recommending performance knowledge with
Monte Carlo tree search and neural networks
- Title(参考訳): モンテカルロ木探索とニューラルネットワークを用いた性能知識の学習・伝達・推薦
- Authors: Don M. Dini
- Abstract要約: 本稿では,プログラムに推奨される変更を見つけるためのAI支援を提供する学習システムを提案する。
モンテカルロ木探索フレームワークを用いて,評価的フィードバック,遅延回帰性能プログラミングドメインを効果的に定式化する方法を示す。
そこで,木探索計算を高速化するために学習ゲームから確立された手法を,コンピュータが推奨するプログラム変更を高速化するために適用できることが示されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Making changes to a program to optimize its performance is an unscalable task
that relies entirely upon human intuition and experience. In addition,
companies operating at large scale are at a stage where no single individual
understands the code controlling its systems, and for this reason, making
changes to improve performance can become intractably difficult. In this paper,
a learning system is introduced that provides AI assistance for finding
recommended changes to a program. Specifically, it is shown how the evaluative
feedback, delayed-reward performance programming domain can be effectively
formulated via the Monte Carlo tree search (MCTS) framework. It is then shown
that established methods from computational games for using learning to
expedite tree-search computation can be adapted to speed up computing
recommended program alterations. Estimates of expected utility from MCTS trees
built for previous problems are used to learn a sampling policy that remains
effective across new problems, thus demonstrating transferability of
optimization knowledge. This formulation is applied to the Apache Spark
distributed computing environment, and a preliminary result is observed that
the time required to build a search tree for finding recommendations is reduced
by up to a factor of 10x.
- Abstract(参考訳): パフォーマンスを最適化するためのプログラムの変更は、人間の直感と経験に完全に依存する、エスカブルなタスクです。
さらに、大規模に運用している企業は、個々の個人がシステムを制御するコードを理解できない段階にあり、そのため、パフォーマンス向上のための変更が困難になる可能性がある。
本稿では,プログラムに推奨される変更を見つけるためのAI支援を提供する学習システムを提案する。
具体的には,モンテカルロ木探索(MCTS)フレームワークを用いて,評価フィードバック,遅延逆性能プログラミングドメインを効果的に定式化する方法を示す。
次に,木探索計算を迅速に行うための計算ゲームからの確立した手法を,推奨プログラム変更の高速化に応用できることを示した。
以前の問題のために構築されたmcts木から期待されるユーティリティの推定は、新しい問題にまたがる効果的なサンプリングポリシーを学習するために使用され、最適化知識の転送可能性を示している。
この定式化はApache Spark分散コンピューティング環境に適用され、リコメンデーションを見つけるのに検索ツリーを構築するのに必要な時間が最大10倍に短縮されるという予備的な結果が観察される。
関連論文リスト
- Update Monte Carlo tree search (UMCTS) algorithm for heuristic global
search of sizing optimization problems for truss structures [1.2277343096128712]
更新モンテカルロ木探索 (UMCTS) と呼ばれる新しい効率的な最適化アルゴリズムを開発し, トラス構造を適切に設計する。
提案手法の計算時間は分岐境界法 (BB) の少なくとも10倍高速である。
論文 参考訳(メタデータ) (2023-09-12T08:29:53Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳(メタデータ) (2022-10-02T05:03:38Z) - Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。
基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。
我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文 参考訳(メタデータ) (2022-09-27T17:51:31Z) - Searching for More Efficient Dynamic Programs [61.79535031840558]
本稿では,プログラム変換の集合,変換プログラムの効率を評価するための単純な指標,およびこの指標を改善するための探索手順について述べる。
実際に、自動検索は初期プログラムの大幅な改善を見出すことができることを示す。
論文 参考訳(メタデータ) (2021-09-14T20:52:55Z) - Network Support for High-performance Distributed Machine Learning [17.919773898228716]
学習ノード(計算を行う)と情報ノード(データを提供する)の両方をキャプチャするシステムモデルを提案する。
次に,学習課題を完了させるために,学習ノードと情報ノードが協調して行うべき課題と,実行すべきイテレーション数を選択する問題を定式化する。
我々はDoubleClimbというアルゴリズムを考案し、1+1/|I|競合解を見つけることができる。
論文 参考訳(メタデータ) (2021-02-05T19:38:57Z) - Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。
学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。
従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文 参考訳(メタデータ) (2021-01-08T18:55:07Z) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-01-07T08:00:02Z) - Towards Efficient and Scalable Acceleration of Online Decision Tree
Learning on FPGA [20.487660974785943]
ビッグデータの時代において、従来の決定木誘導アルゴリズムは大規模なデータセットを学習するのに適していない。
本稿では,現在最先端のオンライン学習モデルの1つであるHoeffdingツリーの帰納化を改善するために,新しいQuantileベースのアルゴリズムを提案する。
フィールドプログラミング可能なゲートアレイ上に,高性能,ハードウェア効率,スケーラブルなオンライン決定木学習システムを提案する。
論文 参考訳(メタデータ) (2020-09-03T03:23:43Z) - MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。
当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
論文 参考訳(メタデータ) (2020-07-24T17:06:55Z)
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。