Fugu-MT 論文翻訳(概要): Transfer Learning Based Automatic Model Creation Tool For Resource Constraint Devices

論文の概要: Transfer Learning Based Automatic Model Creation Tool For Resource Constraint Devices

arxiv url: http://arxiv.org/abs/2012.10056v1
Date: Fri, 18 Dec 2020 05:38:58 GMT
ステータス: 処理完了
システム内更新日: 2021-05-01 18:07:35.381328
Title: Transfer Learning Based Automatic Model Creation Tool For Resource Constraint Devices
Title（参考訳）: リソース制約デバイスのためのトランスファー学習に基づく自動モデル作成ツール
Authors: Karthik Bhat, Manan Bhandari, ChangSeok Oh, Sujin Kim and Jeeho Yoo
Abstract要約: そこで本研究では,機械学習コードを記述することなく,トランスファー学習を用いた制約装置用カスタムモデルの自動生成手法を提案する。自動モデル作成ツールのアーキテクチャと、YAMNetやMobileNetV2などのトレーニング済みモデルを機能抽出器として使用して作成したCNNモデルを共有します。
参考スコア（独自算出の注目度）: 1.0330395403064265
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With the enhancement of Machine Learning, many tools are being designed to assist developers to easily create their Machine Learning models. In this paper, we propose a novel method for auto creation of such custom models for constraint devices using transfer learning without the need to write any machine learning code. We share the architecture of our automatic model creation tool and the CNN Model created by it using pretrained models such as YAMNet and MobileNetV2 as feature extractors. Finally, we demonstrate accuracy and memory footprint of the model created from the tool by creating an Automatic Image and Audio classifier and report the results of our experiments using Stanford Cars and ESC-50 dataset.
Abstract（参考訳）: 機械学習の強化により、開発者が機械学習モデルを簡単に作成できるように多くのツールが設計されている。本稿では,機械学習コードを記述することなく,トランスファー学習を用いた制約デバイスのためのカスタムモデルの自動生成手法を提案する。我々は,yamnetやmobilenetv2などの事前学習モデルを用いて作成した自動モデル作成ツールとcnnモデルのアーキテクチャを特徴抽出器として共有する。最後に,自動画像分類器と音声分類器を作成し,このツールを用いて作成したモデルの精度とメモリフットプリントを実証し,スタンフォード車とesc-50データセットを用いた実験結果を報告する。

関連論文リスト

Deep Fast Machine Learning Utils: A Python Library for Streamlined Machine Learning Prototyping [0.0]
Deep Fast Machine Learning Utils (DFMLU)ライブラリは、機械学習プロセスのアスペクトを自動化および拡張するために設計されたツールを提供する。 DFMLUはモデル開発とデータ処理をサポートする機能を提供します。この原稿はDFMLUの機能の概要を示し、各ツールにPythonの例を提供している。
論文参考訳（メタデータ） (2024-09-14T21:39:17Z)
Apple Intelligence Foundation Language Models [109.60033785567484]
本報告では、モデルアーキテクチャ、モデルトレーニングに使用されるデータ、トレーニングプロセス、評価結果について述べる。私たちは、Responsible AIと、モデル開発全体を通して原則がどのように適用されているかに重点を置いています。
論文参考訳（メタデータ） (2024-07-29T18:38:49Z)
ESPnet-SPK: full pipeline speaker embedding toolkit with reproducible recipes, self-supervised front-ends, and off-the-shelf models [51.35570730554632]
ESPnet-SPKは、話者埋め込み抽出器を訓練するためのツールキットである。我々は、x-vectorから最近のSKA-TDNNまで、いくつかのモデルを提供している。開発モデルと他のドメインとの橋渡しも目指しています。
論文参考訳（メタデータ） (2024-01-30T18:18:27Z)
Democratize with Care: The need for fairness specific features in user-interface based open source AutoML tools [0.0]
Automated Machine Learning (AutoML)は、機械学習モデル開発プロセスを効率化する。この民主化により、多くのユーザー(非専門家を含む)が最先端の機械学習の専門知識にアクセスし利用できるようになる。しかし、AutoMLツールはまた、これらのツールがデータを処理する方法、モデル選択、そして採用される最適化アプローチのバイアスを伝播する可能性がある。
論文参考訳（メタデータ） (2023-12-16T19:54:00Z)
Toolformer: Language Models Can Teach Themselves to Use Tools [62.04867424598204]
言語モデル(LM)は、特に大規模において、いくつかの例やテキスト命令から新しいタスクを解く素晴らしい能力を示す。 LMは、シンプルなAPIを通じて外部ツールの使用を自覚し、両方の世界のベストを達成できることを示します。 Toolformerは、どのAPIを呼び出すか、いつ呼び出すか、どの引数を渡すか、結果を将来のトークン予測に最もうまく組み込む方法を訓練したモデルです。
論文参考訳（メタデータ） (2023-02-09T16:49:57Z)
Masked World Models for Visual Control [90.13638482124567]
視覚表現学習と動的学習を分離する視覚モデルに基づくRLフレームワークを提案する。提案手法は,様々な視覚ロボット作業における最先端性能を実現する。
論文参考訳（メタデータ） (2022-06-28T18:42:27Z)
AutoGL: A Library for Automated Graph Learning [67.63587865669372]
グラフ上での機械学習を自動化するための,最初の専用ライブラリであるAutomated Graph Learning(AutoGL)を紹介する。 AutoGLはオープンソースで、使いやすく、拡張も柔軟です。また、パイプラインのカスタマイズとアプリケーションの強化を容易にする、AutoGLの軽量バージョンであるAutoGL-lightも紹介します。
論文参考訳（メタデータ） (2021-04-11T10:49:23Z)
Resource-Aware Pareto-Optimal Automated Machine Learning Platform [1.6746303554275583]
新プラットフォーム Resource-Aware AutoML (RA-AutoML) RA-AutoMLは、フレキシブルで一般化されたアルゴリズムで、複数の目的に合わせた機械学習モデルを構築することができる。
論文参考訳（メタデータ） (2020-10-30T19:37:48Z)
DriveML: An R Package for Driverless Machine Learning [7.004573941239386]
DriveMLは、自動機械学習パイプラインのいくつかの柱の実装を支援する。 DriveMLの主な利点は、開発時間の節約、開発者のエラー低減、マシンラーニングモデルとエラーの最適チューニングである。
論文参考訳（メタデータ） (2020-05-01T16:40:25Z)
AutoFIS: Automatic Feature Interaction Selection in Factorization Models for Click-Through Rate Prediction [75.16836697734995]
自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。 AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。 AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
論文参考訳（メタデータ） (2020-03-25T06:53:54Z)
Trust in AutoML: Exploring Information Needs for Establishing Trust in Automated Machine Learning Systems [30.385703521998014]
本稿では,AutoMLシステムへの信頼を確立するために,データサイエンティストの持つ情報ニーズを理解するための3つの研究結果について報告する。モデルパフォーマンスメトリクスと視覚化が、AutoMLツールへの信頼を確立する上で、データサイエンティストにとって最も重要な情報であることに気付きました。
論文参考訳（メタデータ） (2020-01-17T19:50:54Z)

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。