論文の概要: Integration of Convolutional Neural Networks in Mobile Applications
- arxiv url: http://arxiv.org/abs/2103.07286v1
- Date: Thu, 11 Mar 2021 15:27:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-15 13:10:12.021815
- Title: Integration of Convolutional Neural Networks in Mobile Applications
- Title（参考訳）: モバイルアプリケーションにおける畳み込みニューラルネットワークの統合
- Authors: Roger Creus Castanyer and Silverio Mart\'inez-Fern\'andez and Xavier
Franch
- Abstract要約: 本稿では,Deep Learningモデルを統合するシステムの性能について,精度と複雑性のトレードオフとして検討する。
モバイルアプリケーションにDLベースのソフトウェアをデプロイする際の最も重要な課題を特定する。
- 参考スコア（独自算出の注目度）: 3.0280987248827085
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When building Deep Learning (DL) models, data scientists and software
engineers manage the trade-off between their accuracy, or any other suitable
success criteria, and their complexity. In an environment with high
computational power, a common practice is making the models go deeper by
designing more sophisticated architectures. However, in the context of mobile
devices, which possess less computational power, keeping complexity under
control is a must. In this paper, we study the performance of a system that
integrates a DL model as a trade-off between the accuracy and the complexity.
At the same time, we relate the complexity to the efficiency of the system.
With this, we present a practical study that aims to explore the challenges met
when optimizing the performance of DL models becomes a requirement. Concretely,
we aim to identify: (i) the most concerning challenges when deploying DL-based
software in mobile applications; and (ii) the path for optimizing the
performance trade-off. We obtain results that verify many of the identified
challenges in the related work such as the availability of frameworks and the
software-data dependency. We provide a documentation of our experience when
facing the identified challenges together with the discussion of possible
solutions to them. Additionally, we implement a solution to the sustainability
of the DL models when deployed in order to reduce the severity of other
identified challenges. Moreover, we relate the performance trade-off to a new
defined challenge featuring the impact of the complexity in the obtained
accuracy. Finally, we discuss and motivate future work that aims to provide
solutions to the more open challenges found.
- Abstract（参考訳）: ディープラーニング(DL)モデルを構築する場合、データサイエンティストとソフトウェアエンジニアは、正確性や他の適切な成功基準と複雑さの間のトレードオフを管理します。
計算能力の高い環境では、より洗練されたアーキテクチャを設計することでモデルをより深くするのが一般的です。
しかし、計算能力の少ないモバイルデバイスのコンテキストでは、複雑性を制御下に置くことが必須である。
本稿では,dlモデルを精度と複雑性のトレードオフとして統合したシステムの性能について検討する。
同時に、複雑性とシステムの効率性も関連づけます。
これにより、DLモデルのパフォーマンスを最適化する際に直面する課題を探究する実践的な研究が要件となる。
具体的には、(i)モバイルアプリケーションにDLベースのソフトウェアをデプロイする際の最も重要な課題、(ii)パフォーマンストレードオフを最適化するための道筋を特定します。
フレームワークの可用性やソフトウェアデータの依存性など,関連する作業における多くの課題を検証する結果が得られます。
特定された課題に直面したときの私たちの経験のドキュメンテーションと、それらに可能な解決策の議論を提供します。
さらに、他の特定課題の深刻度を低減するため、デプロイ時にDLモデルの持続可能性に対するソリューションを実装した。
さらに、得られた精度に複雑性が及ぼす影響を特徴とする新たな課題に、性能トレードオフを関連付ける。
最後に、よりオープンな課題に対するソリューションの提供を目的とした今後の取り組みについて議論し、動機づける。
関連論文リスト
- Generative AI Agents with Large Language Model for Satellite Networks via a Mixture of Experts Transmission [74.10928850232717]
本稿では、モデル定式化のための生成人工知能(AI)エージェントを開発し、送信戦略の設計に専門家(MoE)の混合を適用した。
具体的には,大規模言語モデル(LLM)を活用して対話型モデリングパラダイムを構築する。
定式化問題の解法として, MoE-proximal Policy Optimization (PPO) アプローチを提案する。
論文 参考訳（メタデータ） (2024-04-14T03:44:54Z) - Characterization of Large Language Model Development in the Datacenter [55.9909258342639]
大きな言語モデル(LLM)は、いくつかの変換タスクにまたがって素晴らしいパフォーマンスを示している。
しかし,大規模クラスタ資源を効率よく利用してLCMを開発することは容易ではない。
我々は,GPUデータセンタAcmeから収集した6ヶ月のLDM開発ワークロードの詳細な評価を行った。
論文 参考訳（メタデータ） (2024-03-12T13:31:14Z) - Improving QA Model Performance with Cartographic Inoculation [0.0]
データセットアーティファクト"は、実世界のQA問題に一般化するモデルの能力を低下させる。
逆問題集合を用いてデータセットアーティファクトの影響と頻度を解析する。
課題集合から曖昧な逆数例のモデルを選択的に微調整することにより、大幅な性能改善が可能であることを示す。
論文 参考訳（メタデータ） (2024-01-30T23:08:26Z) - Enabling Resource-efficient AIoT System with Cross-level Optimization: A
survey [20.360136850102833]
この調査は、より自由なリソースパフォーマンストレードオフのために、より広い最適化スペースを提供することを目的としています。
様々なレベルに散らばる問題やテクニックを統合することで、読者のつながりを理解し、さらなる議論を促すことを目指している。
論文 参考訳（メタデータ） (2023-09-27T08:04:24Z) - Deep Transfer Learning for Automatic Speech Recognition: Towards Better
Generalization [3.6393183544320236]
深層学習(DL)における音声認識の課題
大規模なトレーニングデータセットと高い計算とストレージリソースが必要です。
ディープトランスファーラーニング(DTL)はこれらの問題を克服するために導入された。
論文 参考訳（メタデータ） (2023-04-27T21:08:05Z) - Exposing and Addressing Cross-Task Inconsistency in Unified
Vision-Language Models [80.23791222509644]
一貫性のないAIモデルは、人間のユーザーによって不安定で信頼できないと見なされている。
最先端のビジョン言語モデルは、タスク間の驚くほど高い一貫性のない振る舞いに悩まされている。
本稿では,大規模で自動生成されるクロスタスクコントラスト集合上で計算されたランク相関に基づく補助訓練目標を提案する。
論文 参考訳（メタデータ） (2023-03-28T16:57:12Z) - GLUECons: A Generic Benchmark for Learning Under Constraints [102.78051169725455]
本研究では,自然言語処理とコンピュータビジョンの分野における9つのタスクの集合であるベンチマークを作成する。
外部知識を制約としてモデル化し、各タスクの制約のソースを特定し、これらの制約を使用するさまざまなモデルを実装します。
論文 参考訳（メタデータ） (2023-02-16T16:45:36Z) - Matching DNN Compression and Cooperative Training with Resources and
Data Availability [20.329698347331075]
MLモデルをどの程度、いつ圧縮し、どこでトレーニングを実行するべきかをエミュレートするかは、難しい決定です。
我々はDNNの訓練に焦点をあてたネットワークシステムをモデル化し、多次元問題を定式化し、近似動的プログラミング問題を定式化する。
我々は、PACTの解が所望の最適値に近づくことができることを証明し、時間的複雑さの増大を犠牲にして証明する。
論文 参考訳（メタデータ） (2022-12-02T09:52:18Z) - Which Design Decisions in AI-enabled Mobile Applications Contribute to
Greener AI? [7.194465440864905]
このレポートは、AI対応アプリケーションの性能に対する設計決定の影響を定量化する実証的研究を行う計画で構成されている。
我々は、複数の画像分類とテキスト分類問題を解決するために、モバイルアプリケーションに画像ベースニューラルネットワークと言語ベースニューラルネットワークの両方を実装します。
論文 参考訳（メタデータ） (2021-09-28T07:30:28Z) - Interpretable Hyperspectral AI: When Non-Convex Modeling meets
Hyperspectral Remote Sensing [57.52865154829273]
ハイパースペクトルイメージング、別名画像分光法は、地球科学リモートセンシング(RS)におけるランドマーク技術です。
過去10年間で、主に熟練した専門家によってこれらのハイパースペクトル(HS)製品を分析するための取り組みが行われています。
このため、さまざまなHS RSアプリケーションのためのよりインテリジェントで自動的なアプローチを開発することが急務です。
論文 参考訳（メタデータ） (2021-03-02T03:32:10Z) - Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。
本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。
提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
論文 参考訳（メタデータ） (2020-07-14T16:42:59Z)
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。