Fugu-MT 論文翻訳(概要): TensorGP -- Genetic Programming Engine in TensorFlow

論文の概要: TensorGP -- Genetic Programming Engine in TensorFlow

arxiv url: http://arxiv.org/abs/2103.07512v1
Date: Fri, 12 Mar 2021 20:19:37 GMT
ステータス: 処理完了
システム内更新日: 2021-03-16 14:14:38.377776
Title: TensorGP -- Genetic Programming Engine in TensorFlow
Title（参考訳）: TensorGP --TensorFlowの遺伝的プログラミングエンジン
Authors: Francisco Baeta, Jo\~ao Correia, Tiago Martins and Penousal Machado
Abstract要約: 遺伝的プログラミングにおける領域評価にデータベクトル化とフィットネスキャッシングを適用する利点について検討する。当社のパフォーマンスベンチマークは、専用ハードウェア上で動作する並列アプローチで最大2桁のパフォーマンス向上を達成できることを示しています。
参考スコア（独自算出の注目度）: 1.1470070927586016
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we resort to the TensorFlow framework to investigate the benefits of applying data vectorization and fitness caching methods to domain evaluation in Genetic Programming. For this purpose, an independent engine was developed, TensorGP, along with a testing suite to extract comparative timing results across different architectures and amongst both iterative and vectorized approaches. Our performance benchmarks demonstrate that by exploiting the TensorFlow eager execution model, performance gains of up to two orders of magnitude can be achieved on a parallel approach running on dedicated hardware when compared to a standard iterative approach.
Abstract（参考訳）: 本稿では,データベクトル化と適合性キャッシング手法を遺伝的プログラミングにおけるドメイン評価に適用するメリットを検討するために,tensorflowフレームワークを利用する。この目的のために、独立したエンジンであるTensorGPが開発され、異なるアーキテクチャと反復およびベクトル化の両方のアプローチで比較タイミングを抽出するテストスイートが開発された。私たちのパフォーマンスベンチマークは、tensorflow eager実行モデルを活用することで、標準的な反復的アプローチと比較して、専用ハードウェア上で動作する並列アプローチで最大2桁のパフォーマンス向上が達成できることを示しています。

関連論文リスト

Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
論文参考訳（メタデータ） (2023-11-22T15:07:59Z)
A Generic Performance Model for Deep Learning in a Distributed Environment [0.7829352305480285]
本稿では,アプリケーション実行時間の汎用表現を用いた分散環境におけるアプリケーションの汎用性能モデルを提案する。提案手法を3つのディープラーニングフレームワーク(MXnetとPytorch)で評価した。
論文参考訳（メタデータ） (2023-05-19T13:30:34Z)
Generalized Relation Modeling for Transformer Tracking [13.837171342738355]
ワンストリームトラッカーは、すべてのエンコーダ層を通して、テンプレートが検索領域内のすべての部分とやり取りすることを可能にする。これは、抽出された特徴表現が十分に識別できない場合に、ターゲットと背景の混乱を引き起こす可能性がある。適応トークン分割に基づく一般化された関係モデリング手法を提案する。提案手法は,2ストリーム,1ストリームのパイプラインよりも優れており,リアルタイム実行速度の6つのベンチマークにおいて,最先端の性能を実現している。
論文参考訳（メタデータ） (2023-03-29T10:29:25Z)
Performance Embeddings: A Similarity-based Approach to Automatic Performance Optimization [71.69092462147292]
パフォーマンス埋め込みは、アプリケーション間でパフォーマンスチューニングの知識伝達を可能にする。本研究では, 深層ニューラルネットワーク, 密度およびスパース線形代数合成, および数値風速予測ステンシルのケーススタディにおいて, この伝達チューニング手法を実証する。
論文参考訳（メタデータ） (2023-03-14T15:51:35Z)
Stochastic Generative Flow Networks [89.34644133901647]
生成フローネットワーク(GFlowNets)は「制御としての推論」のレンズを通して複雑な構造をサンプリングすることを学ぶ既存のGFlowNetsは決定論的環境にのみ適用でき、動的処理によるより一般的なタスクではフェールする。本稿では,GFlowNetsを環境に拡張する新しいアルゴリズムであるGFlowNetsを紹介する。
論文参考訳（メタデータ） (2023-02-19T03:19:40Z)
Robust Scheduling with GFlowNets [6.6908747077585105]
本稿では,新しいGFlowNet手法を用いて,プロキシメトリックに比例してサンプリングすることでスケジューリングを行う手法を提案する。本稿では,提案したスケジュールの多様性と良さのトレードオフを推論時に制御する手法を提案する。
論文参考訳（メタデータ） (2023-01-17T18:59:15Z)
Joint Feature Learning and Relation Modeling for Tracking: A One-Stream Framework [76.70603443624012]
特徴学習と関係モデリングを統合した新しい一ストリーム追跡(OSTrack)フレームワークを提案する。このようにして、相互誘導により識別的目標指向特徴を動的に抽出することができる。 OSTrackは、複数のベンチマークで最先端のパフォーマンスを実現しており、特に、ワンショットトラッキングベンチマークのGOT-10kでは印象的な結果を示している。
論文参考訳（メタデータ） (2022-03-22T18:37:11Z)
Speed Benchmarking of Genetic Programming Frameworks [1.1470070927586016]
遺伝的プログラミング(GP)は、設計による計算コストの負担に悩まされていることが知られている。本研究では,ベクトル化および反復的実装手法の性能と進化性を比較するために,一連のベンチマークを用いている。
論文参考訳（メタデータ） (2021-05-25T22:06:42Z)
TeraPipe: Token-Level Pipeline Parallelism for Training Large-Scale Language Models [60.23234205219347]
TeraPipeは、Transformerベースの言語モデルの同期モデル並列トレーニングのための高性能トークンレベルのパイプライン並列アルゴリズムです。 TeraPipeは、AWSクラスタ上で1750億のパラメータを持つ最大のGPT-3モデルのトレーニングを5.0倍高速化できることを示す。
論文参考訳（メタデータ） (2021-02-16T07:34:32Z)
Self Normalizing Flows [65.73510214694987]
本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
論文参考訳（メタデータ） (2020-11-14T09:51:51Z)
TF-Coder: Program Synthesis for Tensor Manipulations [29.46838583290554]
本稿では,プルーニングを例に,TF-Coderというプログラミングツールを提案する。入力と出力のテンソルの特徴とタスクの自然言語記述から操作を予測するためにモデルを訓練する。 TF-Coderは、実世界のタスクのうち63を5分以内に解決する。
論文参考訳（メタデータ） (2020-03-19T22:53:47Z)

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。