論文の概要: An Experience Report on Machine Learning Reproducibility: Guidance for
Practitioners and TensorFlow Model Garden Contributors
- arxiv url: http://arxiv.org/abs/2107.00821v1
- Date: Fri, 2 Jul 2021 04:32:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-06 01:37:35.599746
- Title: An Experience Report on Machine Learning Reproducibility: Guidance for
Practitioners and TensorFlow Model Garden Contributors
- Title（参考訳）: 機械学習再現性に関する経験報告:実践者およびtensorflow model gardenコントリビュータへのガイダンス
- Authors: Vishnu Banna and Akhil Chinnakotla and Zhengxin Yan and Ani Vegesana
and Naveen Vivek and Kruthi Krishnappa and Wenxin Jiang and Yung-Hsiang Lu
and George K. Thiruvathukal and James C. Davis
- Abstract要約: 本報告では,最先端の機械学習モデルをモデルガーデンに組み込むのに適した品質で再現するプロセスを定義する。
我々は26人の学生からなるチームでYOLOモデルファミリの実装経験を報告し、開発したツールを共有し、その過程で学んだ教訓を説明する。
- 参考スコア（独自算出の注目度）: 1.177923904173852
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Machine learning techniques are becoming a fundamental tool for scientific
and engineering progress. These techniques are applied in contexts as diverse
as astronomy and spam filtering. However, correctly applying these techniques
requires careful engineering. Much attention has been paid to the technical
potential; relatively little attention has been paid to the software
engineering process required to bring research-based machine learning
techniques into practical utility. Technology companies have supported the
engineering community through machine learning frameworks such as TensorFLow
and PyTorch, but the details of how to engineer complex machine learning models
in these frameworks have remained hidden.
To promote best practices within the engineering community, academic
institutions and Google have partnered to launch a Special Interest Group on
Machine Learning Models (SIGMODELS) whose goal is to develop exemplary
implementations of prominent machine learning models in community locations
such as the TensorFlow Model Garden (TFMG). The purpose of this report is to
define a process for reproducing a state-of-the-art machine learning model at a
level of quality suitable for inclusion in the TFMG. We define the engineering
process and elaborate on each step, from paper analysis to model release. We
report on our experiences implementing the YOLO model family with a team of 26
student researchers, share the tools we developed, and describe the lessons we
learned along the way.
- Abstract（参考訳）: 機械学習技術は、科学と工学の進歩の基本的なツールになりつつある。
これらの手法は天文学やスパムフィルタリングと同じくらい多様な文脈で適用されている。
しかし、これらの手法を正しく適用するには、注意深い工学が必要である。
研究ベースの機械学習技術を実用的なものにするために必要なソフトウェアエンジニアリングプロセスには比較的注意が払われていない。
テクノロジ企業はTensorFLowやPyTorchといった機械学習フレームワークを通じてエンジニアリングコミュニティを支援してきたが、これらのフレームワークで複雑な機械学習モデルを設計する方法の詳細は隠されている。
エンジニアリングコミュニティ内でのベストプラクティスを促進するため、学術機関とGoogleは、TensorFlow Model Garden(TFMG)などのコミュニティロケーションで著名な機械学習モデルの模範的な実装を開発することを目的とした、機械学習モデルに関する特別研究グループ(SIGMODELS)の立ち上げに協力した。
本報告の目的は、tfmgに含まれるのに適した品質で最先端の機械学習モデルを再現するプロセスを定義することである。
論文分析からモデルリリースまで,各ステップについて詳細なエンジニアリングプロセスを定義します。
我々は26人の学生からなるチームでYOLOモデルファミリの実装経験を報告し、開発したツールを共有し、その過程で学んだ教訓を説明する。
関連論文リスト
- Model Merging in LLMs, MLLMs, and Beyond: Methods, Theories, Applications and Opportunities [89.40778301238642]
モデルマージは、機械学習コミュニティにおける効率的なエンパワーメント技術である。
これらの手法の体系的かつ徹底的なレビューに関する文献には大きなギャップがある。
論文 参考訳（メタデータ） (2024-08-14T16:58:48Z) - Application-Driven Innovation in Machine Learning [56.85396167616353]
機械学習におけるアプリケーション駆動研究のパラダイムについて述べる。
このアプローチがメソッド駆動の作業と生産的に相乗効果を示す。
このようなメリットにもかかわらず、マシンラーニングにおけるレビュー、採用、教育のプラクティスが、アプリケーション主導のイノベーションを後押しすることが多いことに気付きます。
論文 参考訳（メタデータ） (2024-03-26T04:59:27Z) - Utilizing Online and Open-Source Machine Learning Toolkits to Leverage
the Future of Sustainable Engineering [8.641860292533023]
Edge Impulseは、TinyMLに対応したオープンソースのArduino教育ツールキットを設計した。
本稿では,MLツールキットを教室で活用するために工学教育者が行った様々な応用とアプローチについて論じる。
論文 参考訳（メタデータ） (2023-04-21T17:50:21Z) - Requirements Engineering for Machine Learning: A Review and Reflection [39.01716712094724]
本稿では,機械学習アプリケーションにおける要件工学プロセスの概要について述べる。
産業データ駆動インテリジェンスアプリケーションの例も、前述のステップに関連して議論されている。
論文 参考訳（メタデータ） (2022-10-03T12:24:39Z) - Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。
特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - SELM: Software Engineering of Machine Learning Models [0.19116784879310023]
本稿では,機械学習モデルのソフトウェア工学のためのSELMフレームワークについて述べる。
SELMフレームワークを使うことで、機械学習プロセスの効率を改善し、学習の精度を高めることができる。
この問題は、機械学習に対する学際的アプローチの重要性を強調している。
論文 参考訳（メタデータ） (2021-03-20T21:43:24Z) - Designing Machine Learning Toolboxes: Concepts, Principles and Patterns [0.0]
AIモデリングツールボックスの設計における重要なパターンについて概説する。
我々の分析では、既存のツールボックスの設計だけでなく、新しいツールボックスの開発も説明できます。
論文 参考訳（メタデータ） (2021-01-13T08:55:15Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳（メタデータ） (2021-01-11T15:54:48Z) - Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。
ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。
本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
論文 参考訳（メタデータ） (2020-05-27T11:56:56Z) - Towards CRISP-ML(Q): A Machine Learning Process Model with Quality
Assurance Methodology [53.063411515511056]
本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。
第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。
第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
論文 参考訳（メタデータ） (2020-03-11T08:25:49Z)
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。