論文の概要: Comparing and Combining Approximate Computing Frameworks

• arxiv url: http://arxiv.org/abs/2102.08771v1
• Date: Tue, 16 Feb 2021 04:52:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-19 05:45:59.267195
• Title: Comparing and Combining Approximate Computing Frameworks
• Title（参考訳）: 近似計算フレームワークの比較と組み合わせ
• Authors: Saeid Barati, Gordon Kindlmann, Hank Hoffmann
• Abstract要約: VIPERとBOAは、より大きくよりリッチなトレードオフ空間を作るために、近似フレームワークをどのように比較して組み合わせるかを示している。 VIPERとBOAを使用して、システムスタック全体から3つの異なる近似フレームワークを比較し、組み合わせます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Approximate computing frameworks configure applications so they can operate at a range of points in an accuracy-performance trade-off space. Prior work has introduced many frameworks to create approximate programs. As approximation frameworks proliferate, it is natural to ask how they can be compared and combined to create even larger, richer trade-off spaces. We address these questions by presenting VIPER and BOA. VIPER compares trade-off spaces induced by different approximation frameworks by visualizing performance improvements across the full range of possible accuracies. BOA is a family of exploration techniques that quickly locate Pareto-efficient points in the immense trade-off space produced by the combination of two or more approximation frameworks. We use VIPER and BOA to compare and combine three different approximation frameworks from across the system stack, including: one that changes numerical precision, one that skips loop iterations, and one that manipulates existing application parameters. Compared to simply looking at Pareto-optimal curves, we find VIPER's visualizations provide a quicker and more convenient way to determine the best approximation technique for any accuracy loss. Compared to a state-of-the-art evolutionary algorithm, we find that BOA explores 14x fewer configurations yet locates 35% more Pareto-efficient points.
• Abstract（参考訳）: 近似コンピューティングフレームワークは、精度パフォーマンスのトレードオフスペースでさまざまなポイントで動作できるようにアプリケーションを構成する。 以前の仕事は、近似プログラムを作成するための多くのフレームワークを導入しました。 近似フレームワークが普及するにつれて、どのように比較して組み合わせて、より大きく、よりリッチなトレードオフ空間を作ることができるかを尋ねるのは自然なことです。 VIPER と BOA を提示することで,これらの問題に対処する。 VIPERは、様々な近似フレームワークによって引き起こされるトレードオフ空間を比較し、あらゆる可能な精度でパフォーマンスの改善を可視化する。 BOAは、2つ以上の近似フレームワークの組み合わせによって生成される巨大なトレードオフスペースでパレート効率の高いポイントを迅速に見つける探索技術の一群です。 VIPERとBOAを使用して、システムスタック全体の3つの異なる近似フレームワークを比較し、組み合わせます。数値精度を変更するもの、ループイテレーションをスキップするもの、既存のアプリケーションパラメータを操作するものなどです。 単にPareto-optimal曲線を見ることと比較して、VIPERの可視化は、精度の損失に最適な近似技術を決定するためのより迅速かつ便利な方法を提供します。 最先端の進化アルゴリズムと比較すると、BOAは14倍少ない構成を探索するが、パレート効率は35%高い。

関連論文リスト

• Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
  マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。 我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
  論文  参考訳（メタデータ） (2024-03-30T17:29:13Z)
• Handbook on Leveraging Lines for Two-View Relative Pose Estimation [82.72686460985297]
  本稿では,画像ペア間の相対的なポーズを,点,線,およびそれらの一致をハイブリッド方式で共同で推定する手法を提案する。 我々のハイブリッドフレームワークは、すべての構成の利点を組み合わせて、挑戦的な環境で堅牢で正確な見積もりを可能にします。
  論文  参考訳（メタデータ） (2023-09-27T21:43:04Z)
• Dynamic Frame Interpolation in Wavelet Domain [57.25341639095404]
  ビデオフレームは、より流動的な視覚体験のためにフレームレートを上げることができる、重要な低レベルな計算ビジョンタスクである。 既存の手法は、高度なモーションモデルと合成ネットワークを利用することで大きな成功を収めた。 WaveletVFIは、同様の精度を維持しながら最大40%の計算を削減できるため、他の最先端技術に対してより効率的に処理できる。
  論文  参考訳（メタデータ） (2023-09-07T06:41:15Z)
• Scalable Batch Acquisition for Deep Bayesian Active Learning [70.68403899432198]
  ディープラーニングでは、各ステップでマークアップする複数の例を選択することが重要です。 BatchBALDのような既存のソリューションでは、多くの例を選択する際に大きな制限がある。 本稿では,より計算効率のよいLarge BatchBALDアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-13T11:45:17Z)
• Bayan Algorithm: Detecting Communities in Networks Through Exact and Approximate Optimization of Modularity [0.8450726582512176]
  最適性と近似保証を提供するアルゴリズムを含む30のコミュニティ検出手法を比較した。 他の29のアルゴリズムのパーティションと比較すると、最大モジュラリティパーティションは、記述の長さ、カバレッジ、パフォーマンス、平均コンダクタンス、クラスタ度に最も適している。 Bayan(bayanpy)のPython実装は、Pythonのパッケージインストーラを通じて公開されている。
  論文  参考訳（メタデータ） (2022-09-10T00:17:09Z)
• Shapley-NAS: Discovering Operation Contribution for Neural Architecture Search [96.20505710087392]
  ニューラルアーキテクチャ探索のための演算寄与度(Shapley-NAS)を評価するためのShapley値に基づく手法を提案する。 提案手法は,光探索コストに比例して最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-20T14:41:49Z)
• A Stochastic Bundle Method for Interpolating Networks [18.313879914379008]
  本稿では,実験的な損失をゼロにすることができるディープニューラルネットワークのトレーニング手法を提案する。 各イテレーションにおいて,本手法は目的学習近似のバンドルとして知られる最大線形近似を構成する。
  論文  参考訳（メタデータ） (2022-01-29T23:02:30Z)
• ZARTS: On Zero-order Optimization for Neural Architecture Search [94.41017048659664]
  微分可能なアーキテクチャサーチ (DARTS) は、NASの高効率性のため、一般的なワンショットパラダイムである。 この作業はゼロオーダーの最適化に変わり、上記の近似を強制せずに探索するための新しいNASスキームであるZARTSを提案する。 特に、12ベンチマークの結果は、DARTSの性能が低下するZARTSの顕著な堅牢性を検証する。
  論文  参考訳（メタデータ） (2021-10-10T09:35:15Z)
• Pose Correction Algorithm for Relative Frames between Keyframes in SLAM [20.579218922577244]
  相対的なフレームのポーズは通常、オンラインアプリケーションを達成するためのより高速なアルゴリズムのために犠牲にされている。 本稿では,更新後のランドマーク間の相対的フレームを補正するアルゴリズムを提案する。 提案アルゴリズムは既存のSLAMシステムと容易に統合できるように設計されている。
  論文  参考訳（メタデータ） (2020-09-18T09:59:10Z)
• Active Sampling for Pairwise Comparisons via Approximate Message Passing and Information Gain Maximization [5.771869590520189]
  本稿では、近似メッセージパッシングと期待情報ゲインに基づくアクティブサンプリングアルゴリズムASAPを提案する。 既存の手法と比較して,ASAPは推定スコアの精度が最も高いことを示す。
  論文  参考訳（メタデータ） (2020-04-12T20:48:10Z)
• Proximity Preserving Binary Code using Signed Graph-Cut [27.098042566421963]
  本稿では,PPC(Proximity Preserving Code)と呼ばれるバイナリ埋め込みフレームワークを紹介し,データポイント間の類似性と相似性を学習し,コンパクトで親和性に配慮したバイナリコードを生成する。 提案手法は, 精度と複雑性の両面において, 一般的なスペクトル法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-02-05T13:58:41Z)

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。