論文の概要: A Discrete-event-based Simulator for Deep Learning at Edge

• arxiv url: http://arxiv.org/abs/2112.00952v1
• Date: Thu, 2 Dec 2021 03:13:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-04 05:16:14.939480
• Title: A Discrete-event-based Simulator for Deep Learning at Edge
• Title（参考訳）: エッジにおける深層学習のための離散イベントベースシミュレータ
• Authors: Xiaoyan Liu, Zhiwei Xu, Yana Qin, Jie Tian
• Abstract要約: 離散イベントに基づくエッジ学習シミュレータを提案する。 ディープラーニングモジュールとネットワークシミュレーションモジュールが含まれている。 私たちのフレームワークは汎用的であり、ディープラーニングモデルがデプロイされる前に、さまざまなディープラーニング問題に使用できる。
• 参考スコア（独自算出の注目度）: 7.096287095663305
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Novel smart environments, such as smart home, smart city, and intelligent transportation, are driving increasing interest in deploying deep neural networks (DNN) at edge devices. Unfortunately, deploying DNN on resource-constrained edge devices poses a huge challenge. If a simulator can interact with deep learning frameworks, it can facilitate researches on deep learning at edge. The existing simulation frameworks, such as Matlab, NS-3, etc., haven't been extended to support simulations of edge learning. To support large-scale training simulations on edge nodes, we propose a discrete-event-based edge learning simulator. It includes a deep learning module and a network simulation module. Specifically, it enable simulations as an environment for deep learning. Our framework is generic and can be used in various deep learning problems before the deep learning model is deployed. In this paper, we give the design and implementation details of the discrete-event-based learning simulator and present an illustrative use case of the proposed simulator.
• Abstract（参考訳）: スマートホーム、スマートシティ、インテリジェントトランスポートといった新しいスマート環境は、エッジデバイスにディープニューラルネットワーク(DNN)をデプロイすることへの関心が高まっている。 残念ながら、リソース制約のあるエッジデバイスにDNNをデプロイすることは、大きな課題となる。 シミュレータがディープラーニングフレームワークと対話できるなら、エッジでのディープラーニングの研究を促進することができる。 matlab、ns-3などの既存のシミュレーションフレームワークは、エッジ学習のシミュレーションをサポートするために拡張されていない。 エッジノード上での大規模トレーニングシミュレーションを支援するために,離散イベントベースエッジ学習シミュレータを提案する。 ディープラーニングモジュールとネットワークシミュレーションモジュールが含まれている。 具体的には、ディープラーニングの環境としてシミュレーションを可能にする。 我々のフレームワークは汎用的であり、ディープラーニングモデルがデプロイされる前に様々なディープラーニング問題に使用できる。 本稿では,離散イベントベース学習シミュレータの設計と実装の詳細を述べるとともに,提案シミュレータの具体的利用事例を示す。

関連論文リスト

• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• Learning rigid-body simulators over implicit shapes for large-scale scenes and vision [11.815473102158368]
  本稿では,SDF-Simについて紹介する。 学習した符号距離関数(SDF)を用いて物体形状を表現し,距離計算を高速化する。 文学において初めて、GNNベースのシミュレータを数百のオブジェクトと最大1100万ノードのシーンに拡張できることを実証した。
  論文  参考訳（メタデータ） (2024-05-22T22:32:04Z)
• KAUCUS: Knowledge Augmented User Simulators for Training Language Model Assistants [3.724713116252253]
  有用な対話データを生成するシミュレータを作成することにより、効果的な指示追従アシスタントを開発することができる。 以前のユーザシミュレータは一般的に多様性に欠けており、ほとんどはクローズドドメインであり、厳密なスキーマを必要としていた。 本稿では,知識強化型ユーザシミュレータフレームワークであるKaucusを紹介し,多様なユーザシミュレータ作成プロセスの概要について述べる。
  論文  参考訳（メタデータ） (2024-01-29T06:57:02Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• Learning Interactive Real-World Simulators [96.5991333400566]
  生成モデルを用いて実世界の相互作用の普遍的なシミュレータを学習する可能性について検討する。 シミュレーターを用いて、高レベルな視覚言語ポリシーと低レベルな強化学習ポリシーの両方を訓練する。 ビデオキャプションモデルは、シミュレートされた経験を持つトレーニングの恩恵を受けることができる。
  論文  参考訳（メタデータ） (2023-10-09T19:42:22Z)
• Navigating to Objects in the Real World [76.1517654037993]
  本稿では,古典的,モジュール的,エンド・ツー・エンドの学習手法と比較した,意味的視覚ナビゲーション手法に関する大規模な実証的研究について述べる。 モジュラー学習は実世界ではうまく機能し、90%の成功率に達しています。 対照的に、エンド・ツー・エンドの学習は、シミュレーションと現実の間の画像領域の差が大きいため、77%のシミュレーションから23%の実際の成功率へと低下する。
  論文  参考訳（メタデータ） (2022-12-02T01:10:47Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• Sim-to-Real Transfer in Multi-agent Reinforcement Networking for Federated Edge Computing [11.3251009653699]
  無線マルチホップエッジコンピューティングネットワーク上でのフェデレートラーニング(FL)は、デバイス上での分散ディープラーニングのパラダイムである。 本稿では,マルチホップFLシステムの高速プロトタイピング,sim-to-realコード,知識伝達を可能にする,高忠実なLinuxベースシミュレータであるFedEdgeシミュレータを提案する。
  論文  参考訳（メタデータ） (2021-10-18T00:21:07Z)
• An Active Learning Framework for Constructing High-fidelity Mobility Maps [0.0]
  本稿では,機械学習分類器の学習に必要なシミュレーション数を,精度を犠牲にすることなく大幅に削減する,能動的学習パラダイムを提案する。 実験結果から, ランダムサンプリングと比較した場合のシミュレーション回数の半分以下を用いて, ニューラルネットワークを高精度に学習できることが示唆された。
  論文  参考訳（メタデータ） (2020-03-07T04:50:58Z)

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。