論文の概要: Bringing AI pipelines onto cloud-HPC: setting a baseline for accuracy of
COVID-19 AI diagnosis
- arxiv url: http://arxiv.org/abs/2108.01033v1
- Date: Mon, 2 Aug 2021 16:45:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-03 14:57:51.126670
- Title: Bringing AI pipelines onto cloud-HPC: setting a baseline for accuracy of
COVID-19 AI diagnosis
- Title(参考訳): cloud-hpcにaiパイプラインを導入する:covid-19 ai診断の精度基準を設定する
- Authors: Iacopo Colonnelli and Barbara Cantalupo and Concetto Spampinato and
Matteo Pennisi and Marco Aldinucci
- Abstract要約: 私たちは、"CLAIRE COVID-19 Universal Pipeline"と呼ばれるパラメトリックパイプラインを定義する重要な要素としてStreamFlow Management Systemを提唱します。
このパイプラインは、新型コロナウイルス(COVID-19)の肺病変をCTスキャンから分類し、それらを精度で比較し、パフォーマンスベースラインを設定する最適化方法を探索することができる。
StreamFlowで設計されたパイプラインのポータビリティ・バイ・デザインのおかげで、従来のHPCインフラストラクチャで見られる膨大な計算能力が必要になります。
- 参考スコア(独自算出の注目度): 5.313553229474047
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: HPC is an enabling platform for AI. The introduction of AI workloads in the
HPC applications basket has non-trivial consequences both on the way of
designing AI applications and on the way of providing HPC computing. This is
the leitmotif of the convergence between HPC and AI. The formalized definition
of AI pipelines is one of the milestones of HPC-AI convergence. If well
conducted, it allows, on the one hand, to obtain portable and scalable
applications. On the other hand, it is crucial for the reproducibility of
scientific pipelines. In this work, we advocate the StreamFlow Workflow
Management System as a crucial ingredient to define a parametric pipeline,
called "CLAIRE COVID-19 Universal Pipeline," which is able to explore the
optimization space of methods to classify COVID-19 lung lesions from CT scans,
compare them for accuracy, and therefore set a performance baseline. The
universal pipeline automatizes the training of many different Deep Neural
Networks (DNNs) and many different hyperparameters. It, therefore, requires a
massive computing power, which is found in traditional HPC infrastructure
thanks to the portability-by-design of pipelines designed with StreamFlow.
Using the universal pipeline, we identified a DNN reaching over 90% accuracy in
detecting COVID-19 lesions in CT scans.
- Abstract(参考訳): HPCはAIの可能なプラットフォームである。
HPCアプリケーションバスケットにおけるAIワークロードの導入は、AIアプリケーションの設計方法とHPCコンピューティングの提供方法の両方において、自明な結果をもたらす。
これは、HPCとAIの収束の理由である。
AIパイプラインの正式な定義は、HPC-AI収束のマイルストーンの1つだ。
うまく実行されれば、ポータブルでスケーラブルなアプリケーションを得ることができる。
一方で、科学的パイプラインの再現性には不可欠である。
本研究は,CTスキャンからCOVID-19肺病変を分類する手法の最適化空間を探索し,精度で比較し,パフォーマンス基準を設定可能な,パラメータパイプライン"CLAIRE COVID-19 Universal Pipeline"を定義するための重要な要素として,StreamFlow Workflow Management Systemを提唱する。
ユニバーサルパイプラインは、多くの異なるディープニューラルネットワーク(DNN)と多くの異なるハイパーパラメータのトレーニングを自動化する。
そのため、streamflowで設計されたパイプラインの設計によるポータビリティにより、従来のhpcインフラストラクチャで見られる巨大なコンピューティングパワーが必要になる。
ユニバーサルパイプラインを用いて,CT検査で90%以上の精度でDNNが検出された。
関連論文リスト
- FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45~9.39倍の高速化を実現可能であることを示す。
論文 参考訳(メタデータ) (2024-10-16T16:13:19Z) - GraphPipe: Improving Performance and Scalability of DNN Training with Graph Pipeline Parallelism [20.44114440511298]
ディープニューラルネットワーク(DNN)のサイズは急速に拡大し続けており、単一のデバイスでトレーニングすることは不可能である。
本稿では,DNNをパイプラインステージに分割するパイプライン並列方式を提案する。
また,パフォーマンスと拡張性を備えたDNNトレーニングを実現するために,MME戦略を活用する分散システムであるGraphPipeを開発した。
論文 参考訳(メタデータ) (2024-06-24T21:32:51Z) - TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。
時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。
並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文 参考訳(メタデータ) (2024-04-15T06:01:48Z) - FPGA-QHAR: Throughput-Optimized for Quantized Human Action Recognition
on The Edge [0.6254873489691849]
本稿では,8ビット量子化された2ストリームSimpleNet-PyTorch CNNアーキテクチャに基づく,エンドツーエンドHAR拡張型HW/SWアクセラレータの共設計を提案する。
私たちの開発では、部分的にストリーミングデータフローアーキテクチャを使用して、ネットワーク設計やリソース利用のトレードオフよりも高いスループットを実現しています。
提案手法は,ZCU104上の187MHzで約24FPSのリアルタイム推論スループットを用いて,約81%の予測精度を達成した。
論文 参考訳(メタデータ) (2023-11-04T10:38:21Z) - Complexity-Driven CNN Compression for Resource-constrained Edge AI [1.6114012813668934]
本稿では,CNNの層レベルでの複雑さを生かして,新しい,計算効率の高いプルーニングパイプラインを提案する。
パラメータ認識(PA)、FLOP認識(FA)、メモリ認識(MA)の3つのモードを定義し、CNNの汎用圧縮を導入する。
論文 参考訳(メタデータ) (2022-08-26T16:01:23Z) - Tiny-HR: Towards an interpretable machine learning pipeline for heart
rate estimation on edge devices [6.59529078336196]
本稿では,低消費電力エッジデバイスで取得した圧力センサデータから心拍数を抽出する機械学習(ML)パイプラインの概念実証を行う。
このパイプラインは、アップサンプラーニューラルネットワーク、信号品質分類器、効率的かつ正確な心拍数推定に最適化された1D畳み込みニューラルネットワークで構成されている。
その結果,提案したMLパイプラインとハイブリッドパイプラインは,従来のアルゴリズムに比べて82%と28%のエネルギーと時間を削減できることがわかった。
論文 参考訳(メタデータ) (2022-08-16T22:38:10Z) - Where Is My Training Bottleneck? Hidden Trade-Offs in Deep Learning
Preprocessing Pipelines [77.45213180689952]
ディープラーニングにおける前処理パイプラインは、トレーニングプロセスを忙しくするための十分なデータスループットの提供を目的としている。
エンドツーエンドのディープラーニングパイプラインのためのデータセットを効率的に準備する新たな視点を導入する。
チューニングされていないシステムに比べてスループットが3倍から13倍に向上する。
論文 参考訳(メタデータ) (2022-02-17T14:31:58Z) - An AI-based Domain-Decomposition Non-Intrusive Reduced-Order Model for
Extended Domains applied to Multiphase Flow in Pipes [0.0]
ドメイン分解フレームワーク内で,AIをベースとした非侵襲的低次モデルを提案する。
トレーニングで使用するドメインよりもはるかに大きなドメインの予測を行うことができる。
高忠実度CFDシミュレーションでAI-DDNIROMを訓練した水平管内の多相スラグ流に適用した。
論文 参考訳(メタデータ) (2022-02-13T00:32:17Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳(メタデータ) (2022-01-09T09:31:50Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳(メタデータ) (2021-08-09T08:45:47Z) - Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。
本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
論文 参考訳(メタデータ) (2021-06-17T02:40:18Z)
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。