論文の概要: ModelPS: An Interactive and Collaborative Platform for Editing Pre-trained Models at Scale

• arxiv url: http://arxiv.org/abs/2105.08275v1
• Date: Tue, 18 May 2021 04:51:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 13:51:58.339321
• Title: ModelPS: An Interactive and Collaborative Platform for Editing Pre-trained Models at Scale
• Title（参考訳）: ModelPS: スケールでトレーニング済みモデルを編集するためのインタラクティブで協調的なプラットフォーム
• Authors: Yuanming Li, Huaizheng Zhang, Shanshan Jiang, Fan Yang, Yonggang Wen and Yong Luo
• Abstract要約: 共同DNNモデル編集とインテリジェントモデルサービングを可能にするローコードソリューション「ModelPS」を提案・開発します。 ModelPSソリューションは、1)DNNモデルを低コードで画像的に共有および編集するためのユーザフレンドリーなWebインターフェース、2)特定のデプロイメント要件や制約に対するモデル編集設定のカスタマイズを支援するバックエンドのモデルジェニーエンジンの2つのトランスフォーメーション機能を具現化します。
• 参考スコア（独自算出の注目度）: 30.333660470820604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI engineering has emerged as a crucial discipline to democratize deep neural network (DNN) models among software developers with a diverse background. In particular, altering these DNN models in the deployment stage posits a tremendous challenge. In this research, we propose and develop a low-code solution, ModelPS (an acronym for "Model Photoshop"), to enable and empower collaborative DNN model editing and intelligent model serving. The ModelPS solution embodies two transformative features: 1) a user-friendly web interface for a developer team to share and edit DNN models pictorially, in a low-code fashion, and 2) a model genie engine in the backend to aid developers in customizing model editing configurations for given deployment requirements or constraints. Our case studies with a wide range of deep learning (DL) models show that the system can tremendously reduce both development and communication overheads with improved productivity. The code has been released as an open-source package at GitHub.
• Abstract（参考訳）: AIエンジニアリングは、さまざまなバックグラウンドを持つソフトウェア開発者の間でディープニューラルネットワーク(DNN)モデルを民主化するための重要な規律として登場した。 特に、デプロイメント段階でこれらのDNNモデルを変更することは、非常に難しい課題です。 本研究では,協調的なdnnモデル編集とインテリジェントなモデル提供を実現するために,ローコードソリューションであるmodelps("model photoshop"の頭字語)を提案し,開発する。 modelpsソリューションは2つのトランスフォーメーションフィーチャを具体化している: 1) 開発者チームがdnnモデルをローコード形式で画像で共有および編集するためのユーザフレンドリーなwebインターフェース、2) 開発者が所定のデプロイメント要件や制約のためにモデル編集設定をカスタマイズするのを支援するバックエンドのmodel genieエンジン。 広範にわたるディープラーニング(DL)モデルを用いたケーススタディでは,生産性の向上により,開発オーバーヘッドと通信オーバーヘッドの両方を大幅に削減できることが示された。 コードはGitHubでオープンソースパッケージとしてリリースされた。

関連論文リスト

• DreamOmni: Unified Image Generation and Editing [51.45871494724542]
  本稿では,画像生成と編集の統一モデルであるDream Omniを紹介する。 訓練のためにドリーム・オムニはT2I世代と下流のタスクを共同で訓練する。 このコラボレーションは、編集性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-12-22T17:17:28Z)
• 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)
• NVC-1B: A Large Neural Video Coding Model [36.66792728623893]
  我々は10億以上のパラメーターを持つ最初のニューラルビデオ符号化モデル -- NVC-1B -- を設計する。 実験結果から,提案する大規模モデルにより,映像圧縮性能が大幅に向上することが示唆された。 我々は、大規模なモデルがビデオコーディング技術を次のレベルに引き上げることを期待している。
  論文  参考訳（メタデータ） (2024-07-28T05:12:22Z)
• NNsight and NDIF: Democratizing Access to Open-Weight Foundation Model Internals [58.83169560132308]
  NNsightとNDIFは、非常に大きなニューラルネットワークの科学的研究を可能にするために、タンデムで機能する技術である。 NNsightは、遅延リモート実行を導入するためにPyTorchを拡張したオープンソースのシステムである。 NDIFは、NNsightリクエストを実行するスケーラブルな推論サービスで、GPUリソースと事前トレーニングされたモデルを共有することができる。
  論文  参考訳（メタデータ） (2024-07-18T17:59:01Z)
• Model Callers for Transforming Predictive and Generative AI Applications [2.7195102129095003]
  モデル呼び出し(model caller)と呼ばれる新しいソフトウェア抽象化を導入する。 モデル呼び出しは、AIとMLモデル呼び出しの仲介役として機能する。 我々は、モデル呼び出しのためのPythonライブラリのプロトタイプをリリースした。
  論文  参考訳（メタデータ） (2024-04-17T12:21:06Z)
• Towards Automatic Support of Software Model Evolution with Large Language~Models [6.872484164111954]
  本稿では,大規模言語モデルを用いて,ソフトウェアシステムのモデル履歴における編集パターンの発見を行う手法を提案する。 大規模な言語モデルは、ソフトウェアモデルの進化をサポートするための有望な技術であることがわかった。
  論文  参考訳（メタデータ） (2023-12-19T18:38:01Z)
• FlexModel: A Framework for Interpretability of Distributed Large Language Models [0.0]
  マルチGPUとマルチノード構成に分散したモデルを扱うための,合理化されたインターフェースを提供するソフトウェアパッケージであるFlexModelを紹介する。 このライブラリは既存のモデル配布ライブラリと互換性があり、PyTorchモデルをカプセル化している。 ユーザ登録可能なHookFunctionを公開して,分散モデル内部との直接的なインタラクションを容易にする。
  論文  参考訳（メタデータ） (2023-12-05T21:19:33Z)
• Speculative Decoding with Big Little Decoder [108.95187338417541]
  Big Little Decoder (BiLD) は、幅広いテキスト生成アプリケーションの推論効率と遅延を改善するフレームワークである。 NVIDIA T4 GPUでは、当社のフレームワークは最大2.12倍の高速化を実現し、生成品質の最小化を実現している。 私たちのフレームワークは完全にプラグアンドプレイで、トレーニングプロセスやモデルアーキテクチャの変更なしに適用できます。
  論文  参考訳（メタデータ） (2023-02-15T18:55:29Z)
• Model LEGO: Creating Models Like Disassembling and Assembling Building Blocks [53.09649785009528]
  本稿では,新しいモデルを得るためのトレーニングを必要としないパラダイムについて検討する。 生体視覚系における受容野にインスパイアされたCNNの誕生と同様、モデル分解と組み立てを提案する。 モデル組立には、特定のタスクに適した新しいモデルを構築するために、アライメントパディング戦略とパラメータスケーリング戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T05:27:28Z)
• Data-Driven and SE-assisted AI Model Signal-Awareness Enhancement and Introspection [61.571331422347875]
  モデルの信号認識性を高めるためのデータ駆動型手法を提案する。 コード複雑性のSE概念とカリキュラム学習のAIテクニックを組み合わせる。 モデル信号認識における最大4.8倍の改善を実現している。
  論文  参考訳（メタデータ） (2021-11-10T17:58:18Z)

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。