論文の概要: Bridge Data Center AI Systems with Edge Computing for Actionable Information Retrieval

• arxiv url: http://arxiv.org/abs/2105.13967v1
• Date: Fri, 28 May 2021 16:47:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-31 13:24:46.285187
• Title: Bridge Data Center AI Systems with Edge Computing for Actionable Information Retrieval
• Title（参考訳）: エッジコンピューティングによる行動情報検索のためのブリッジデータセンターAIシステム
• Authors: Zhengchun Liu, Ahsan Ali, Peter Kenesei, Antonino Miceli, Hemant Sharma, Nicholas Schwarz, Dennis Trujillo, Hyunseung Yoo, Ryan Coffee, Ryan Herbst, Jana Thayer, Chun Hong Yoon, Ian Foster
• Abstract要約: 現代のシンクロトロンおよびX線自由電子レーザーにおける高いデータレートは、データ還元、特徴検出、その他の目的のために機械学習手法の使用を動機付けている。 ここでは、この目的のために、特別なデータセンターAIシステムがどのように使用できるかを説明します。
• 参考スコア（独自算出の注目度）: 0.5652468989804973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extremely high data rates at modern synchrotron and X-ray free-electron lasers (XFELs) light source beamlines motivate the use of machine learning methods for data reduction, feature detection, and other purposes. Regardless of the application, the basic concept is the same: data collected in early stages of an experiment, data from past similar experiments, and/or data simulated for the upcoming experiment are used to train machine learning models that, in effect, learn specific characteristics of those data; these models are then used to process subsequent data more efficiently than would general-purpose models that lack knowledge of the specific dataset or data class. Thus, a key challenge is to be able to train models with sufficient rapidity that they can be deployed and used within useful timescales. We describe here how specialized data center AI systems can be used for this purpose.
• Abstract（参考訳）: 現代のシンクロトロンおよびX線自由電子レーザー(XFEL)における極端に高いデータレートは、光源ビームラインがデータ削減、特徴検出、その他の目的のために機械学習手法の使用を動機付けている。 実験の初期段階で収集されたデータ、過去の同様の実験から得られたデータ、今後の実験でシミュレーションされたデータといった基本的な概念は、事実上、それらのデータの特定の特性を学習する機械学習モデルのトレーニングに使用されます。 したがって、重要な課題は、十分な速さでモデルを訓練し、有用なタイムスケールでデプロイし、使用できるようにすることだ。 ここでは、この目的のために、特別なデータセンターAIシステムがどのように使用できるかを説明する。

関連論文リスト

• Data Shapley in One Training Run [88.59484417202454]
  Data Shapleyは、機械学習コンテキストにおけるデータのコントリビューションに寄与するための、原則化されたフレームワークを提供する。 既存のアプローチでは、計算集約的な異なるデータサブセット上の再学習モデルが必要である。 本稿では、対象とするデータモデルに対するスケーラブルなデータ属性を提供することにより、これらの制限に対処するIn-Run Data Shapleyを紹介する。
  論文  参考訳（メタデータ） (2024-06-16T17:09:24Z)
• Physics Sensor Based Deep Learning Fall Detection System [0.9128828609564524]
  我々は,組込みセンサを用いたデータ受信装置を備えたTSFallDetectというシステムを構築した。 我々は、慣性およびフィルム圧力センサによって収集されたデータに基づいて、この降下動作予測問題に対処するために、シーケンシャルな深層学習手法を利用する。
  論文  参考訳（メタデータ） (2024-02-29T07:50:06Z)
• Synthetic data enable experiments in atomistic machine learning [0.0]
  既存のMLポテンシャルモデルから,原子単位のエネルギーをラベル付けした大規模データセットの使用を実演する。 このプロセスの安価さは、量子力学の土台真実に比べれば、数百万のデータポイントを生成できる。 合成データラベルの学習は、後続の小さなデータセットの微調整に有用な事前学習タスクであることを示す。
  論文  参考訳（メタデータ） (2022-11-29T18:17:24Z)
• Data Models for Dataset Drift Controls in Machine Learning With Optical Images [8.818468649062932]
  主な障害モードは、トレーニングデータとデプロイメントデータの違いによるパフォーマンス低下である。 既存のアプローチでは、関心の対象であるデータ(データ)の明示的なモデルは説明できない。 本研究では、画像データに対してそのようなデータモデルを構築する方法を示し、データセットのドリフトに関連する下流機械学習モデルの性能を制御する。
  論文  参考訳（メタデータ） (2022-11-04T16:50:10Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT [82.33080550378068]
  産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。 IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。 本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
  論文  参考訳（メタデータ） (2022-02-03T07:12:36Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Evaluation of synthetic and experimental training data in supervised machine learning applied to charge state detection of quantum dots [0.0]
  シミュレーションおよび実験データに基づいて学習した機械学習モデルの予測精度を評価する。 分類器は、純粋に実験的なデータと、合成訓練データと実験訓練データの組み合わせの両方で最適であることがわかった。
  論文  参考訳（メタデータ） (2020-05-16T23:41:31Z)

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。