論文の概要: Gegelati: Lightweight Artificial Intelligence through Generic and
Evolvable Tangled Program Graphs
- arxiv url: http://arxiv.org/abs/2012.08296v1
- Date: Tue, 15 Dec 2020 14:02:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-07 05:14:54.418535
- Title: Gegelati: Lightweight Artificial Intelligence through Generic and
Evolvable Tangled Program Graphs
- Title（参考訳）: Gegelati: 汎用的で進化可能なプログラムグラフによる軽量人工知能
- Authors: Karol Desnos (UNIV-RENNES, INSA Rennes, IETR), Nicolas Sourbier (INSA
Rennes, UNIV-RENNES, IETR), Pierre-Yves Raumer (INSA Rennes, IETR), Olivier
Gesny, Maxime Pelcat (UNIV-RENNES, INSA Rennes, IETR)
- Abstract要約: Tangled Program Graph (TPG) は遺伝的プログラミングの概念に基づく強化学習技術である。
本稿では TPG 用 Gegelati ライブラリについて紹介する。
- 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: Tangled Program Graph (TPG) is a reinforcement learning technique based on
genetic programming concepts. On state-of-the-art learning environments, TPGs
have been shown to offer comparable competence with Deep Neural Networks
(DNNs), for a fraction of their computational and storage cost. This lightness
of TPGs, both for training and inference, makes them an interesting model to
implement Artificial Intelligences (AIs) on embedded systems with limited
computational and storage resources. In this paper, we introduce the Gegelati
library for TPGs. Besides introducing the general concepts and features of the
library, two main contributions are detailed in the paper: 1/ The
parallelization of the deterministic training process of TPGs, for supporting
heterogeneous Multiprocessor Systems-on-Chips (MPSoCs). 2/ The support for
customizable instruction sets and data types within the genetically evolved
programs of the TPG model. The scalability of the parallel training process is
demonstrated through experiments on architectures ranging from a high-end
24-core processor to a low-power heterogeneous MPSoC. The impact of
customizable instructions on the outcome of a training process is demonstrated
on a state-of-the-art reinforcement learning environment. CCS Concepts:
$\bullet$ Computer systems organization $\rightarrow$ Embedded systems;
$\bullet$ Computing methodologies $\rightarrow$ Machine learning.
- Abstract（参考訳）: Tangled Program Graph (TPG) は遺伝的プログラミングの概念に基づく強化学習技術である。
最先端の学習環境において、TPGはDeep Neural Networks(DNN)に匹敵する能力を提供し、計算とストレージのコストのごく一部を提供する。
TPGのこの軽量さは、トレーニングと推論の両方において、限られた計算と記憶資源を持つ組み込みシステムに人工知能(AI)を実装する興味深いモデルとなっている。
本稿では TPG 用 Gegelati ライブラリについて紹介する。
図書館の一般的な概念や特徴を紹介するのに加えて、本論文では2つの主要な貢献について詳述している。 1/ 異種マルチプロセッサシステム・オン・チップ(MPSoC)をサポートするためのTPGの決定論的トレーニングプロセスの並列化。
2/ TPGモデルの遺伝的に進化したプログラム内で、カスタマイズ可能な命令セットとデータタイプのサポート。
並列トレーニングプロセスのスケーラビリティは、ハイエンドの24コアプロセッサから低消費電力の異種MPSoCまで、アーキテクチャの実験を通じて実証される。
トレーニングプロセスの結果に対するカスタマイズ可能な指示の影響を,最先端の強化学習環境に示す。
ccs の概念: $\bullet$ computer systems organization $\rightarrow$ embedded systems; $\bullet$ computing methodology $\rightarrow$ machine learning。
関連論文リスト
- shapiq: Shapley Interactions for Machine Learning [21.939393765684827]
Shapley Value(SV)とShapley Interactions(SI)を効率的に計算するために、最先端のアルゴリズムを統一したオープンソースのPythonパッケージであるshapiqを紹介する。
実践者にとって、Shapiqは、視覚変換器、言語モデル、XGBoost、TreeShap-IQによるLightGBMなど、モデルの予測において、任意の順序のフィーチャーインタラクションを説明および視覚化することができる。
論文 参考訳（メタデータ） (2024-10-02T15:16:53Z) - Cross-Modality Program Representation Learning for Electronic Design Automation with High-Level Synthesis [45.471039079664656]
ドメイン固有アクセラレータ(DSA)は、ディープラーニングや自律運転などのアプリケーションで人気を集めている。
本稿では,ソースコードシーケンスのモダリティとグラフのモダリティを深く,きめ細かな方法で相互作用できるモデルであるProgSGを提案する。
ProgSGは、設計性能予測のRMSEを最大22%の価格で削減し、設計を平均1.10Times$で識別する。
論文 参考訳（メタデータ） (2024-06-13T22:34:58Z) - OTOv3: Automatic Architecture-Agnostic Neural Network Training and
Compression from Structured Pruning to Erasing Operators [57.145175475579315]
このトピックは、構造化プルーニングからニューラルアーキテクチャサーチまで、さまざまなテクニックにまたがっている。
第3世代のOTOv3(Noth-Train-Once)を導入する。
我々は,構造化プルーニングとニューラルアーキテクチャ探索におけるOTOv3の有効性を実証した。
論文 参考訳（メタデータ） (2023-12-15T00:22:55Z) - ProgSG: Cross-Modality Representation Learning for Programs in
Electronic Design Automation [38.023395256208055]
高レベル合成(HLS)により、開発者はCとC++のソフトウェアコード形式で高レベルな記述をコンパイルできる。
HLSツールは相変わらず、プラグマで表されるマイクロアーキテクチャの決定を必要とする。
本稿では,ソースコードシーケンスのモダリティとグラフのモダリティを深く,きめ細かな方法で相互に相互作用させることができるProgSGを提案する。
論文 参考訳（メタデータ） (2023-05-18T09:44:18Z) - Harnessing Deep Learning and HPC Kernels via High-Level Loop and Tensor Abstractions on CPU Architectures [67.47328776279204]
この研究は、効率的でポータブルなDeep LearningとHigh Performance Computingカーネルを開発するためのフレームワークを導入している。
1)プロセッシングプリミティブ(TPP)を用いた計算コアの表現と,2)高レベルな宣言的手法でTPPのまわりの論理ループの表現の2つのステップでカーネルの開発を分解する。
我々は、スタンドアロンカーネルと、さまざまなCPUプラットフォームにおける最先端実装よりも優れたエンドツーエンドワークロードを使用して、このアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2023-04-25T05:04:44Z) - Towards Optimal VPU Compiler Cost Modeling by using Neural Networks to
Infer Hardware Performances [58.720142291102135]
VPUNN"は低レベルのタスクプロファイリングに基づいてトレーニングされたニューラルネットワークベースのコストモデルである。
これは、IntelのVPUプロセッサのラインにおける最先端のコストモデリングよりも一貫して優れている。
論文 参考訳（メタデータ） (2022-05-09T22:48:39Z) - End-to-end Mapping in Heterogeneous Systems Using Graph Representation
Learning [13.810753108848582]
本稿では,エンドツーエンドでプログラム可能なグラフ表現学習フレームワークを提案する。
高レベルのプログラムの複雑さを普遍的な中間表現にマイニングし、特定の計算パターンを抽出し、特定のコア上でどのコードセグメントがベストに動作するかを予測できる。
評価では、スレッドベースの実行と比較して最大速度が6.42倍、最先端技術と比較して2.02倍であることを示す。
論文 参考訳（メタデータ） (2022-04-25T22:13:13Z) - Learning Multi-Objective Curricula for Deep Reinforcement Learning [55.27879754113767]
深部強化学習(DRL)のサンプル効率と最終性能を向上させるために,各種自動カリキュラム学習(ACL)手法が提案されている。
本稿では,多目的だがコヒーレントなカリキュラムを作成するための統合された自動カリキュラム学習フレームワークを提案する。
既存の手設計のカリキュラムパラダイムに加えて,抽象カリキュラムを学習するためのフレキシブルなメモリ機構を設計する。
論文 参考訳（メタデータ） (2021-10-06T19:30:25Z) - Einsum Networks: Fast and Scalable Learning of Tractable Probabilistic
Circuits [99.59941892183454]
我々は,PC用の新しい実装設計であるEinsum Networks (EiNets)を提案する。
中心となるのは、E EiNets は単一のモノリシックな einsum-operation に多数の算術演算を組み合わせている。
本稿では,PCにおける予測最大化(EM)の実装を,自動微分を利用した簡易化が可能であることを示す。
論文 参考訳（メタデータ） (2020-04-13T23:09:15Z) - GraphACT: Accelerating GCN Training on CPU-FPGA Heterogeneous Platforms [1.2183405753834562]
グラフ畳み込みネットワーク(GCN)は、グラフ上での表現学習のための最先端のディープラーニングモデルとして登場した。
実質的かつ不規則なデータ通信のため、GCNの訓練を加速することは困難である。
我々はCPU-FPGAヘテロジニアスシステム上でGCNをトレーニングするための新しいアクセラレータを設計する。
論文 参考訳（メタデータ） (2019-12-31T21:19:01Z)
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。