論文の概要: Characterizing Performance Bugs in Deep Learning Systems

• arxiv url: http://arxiv.org/abs/2112.01771v1
• Date: Fri, 3 Dec 2021 08:08:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-06 23:58:21.362951
• Title: Characterizing Performance Bugs in Deep Learning Systems
• Title（参考訳）: ディープラーニングシステムにおけるパフォーマンスバグの特徴付け
• Authors: Junming Cao, Bihuan Chen, Chao Sun, Longjie Hu, Xin Peng
• Abstract要約: 深層学習システムにおける症状,根本原因,およびパフォーマンスバグの露呈を特徴付けるための,最初の総合的研究について述べる。 以上の結果から, 高性能DLシステムの開発や, PBの検出, ローカライズが示唆された。 また、56PBのベンチマークをDLシステムに構築し、既存のアプローチでそれに取り組む能力を評価する。
• 参考スコア（独自算出の注目度）: 7.245989243616551
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning (DL) has been increasingly applied to a variety of domains. The programming paradigm shift from traditional systems to DL systems poses unique challenges in engineering DL systems. Performance is one of the challenges, and performance bugs(PBs) in DL systems can cause severe consequences such as excessive resource consumption and financial loss. While bugs in DL systems have been extensively investigated, PBs in DL systems have hardly been explored. To bridge this gap, we present the first comprehensive study to characterize symptoms, root causes, and introducing and exposing stages of PBs in DL systems developed in TensorFLow and Keras, with a total of 238 PBs collected from 225 StackOverflow posts. Our findings shed light on the implications on developing high performance DL systems, and detecting and localizing PBs in DL systems. We also build the first benchmark of 56 PBs in DL systems, and assess the capability of existing approaches in tackling them. Moreover, we develop a static checker DeepPerf to detect three types of PBs, and identify 488 new PBs in 130 GitHub projects.62 and 18 of them have been respectively confirmed and fixed by developers.
• Abstract（参考訳）: ディープラーニング(dl)は、さまざまな領域にますます適用されている。 従来のシステムからDLシステムへ移行するプログラミングパラダイムは、エンジニアリングDLシステムに固有の課題をもたらす。 パフォーマンスは課題の1つであり、DLシステムのパフォーマンスバグ(PB)は、過剰なリソース消費や財務損失などの深刻な結果を引き起こす可能性がある。 DLシステムのバグは広く研究されているが、DLシステムのPBはほとんど調査されていない。 このギャップを埋めるために,225 StackOverflowポストから合計238PBを収集したTensorFLowおよびKerasで開発されたDLシステムにおいて,PBの症状,根本原因,導入および暴露ステージを特徴付けるための,最初の総合的研究を行った。 本研究は、高性能dlシステムの開発とdlシステムにおけるpbsの検出とローカライズに与える影響を明らかにした。 また、dlシステムにおける56pbsの最初のベンチマークを構築し、それらに取り組むための既存のアプローチの能力を評価する。 さらに,3種類のpbを検出するための静的チェッカーdeepperfを開発し,130のgithubプロジェクトで新たに488個のpbを識別した。

関連論文リスト

• Fault Localization in Deep Learning-based Software: A System-level Approach [12.546853096298175]
  本稿では,Deep Learning開発パイプライン全体を考慮したシステムレベルのフォールトローカライズアプローチであるFL4Deepを紹介する。 100の障害DLスクリプトを用いた評価では、FL4Deepは6つのDL関連障害のうち3つの精度で4つの従来手法より優れていた。
  論文  参考訳（メタデータ） (2024-11-12T20:32:36Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• Tackling Long-Tailed Category Distribution Under Domain Shifts [50.21255304847395]
  既存のアプローチでは、両方の問題が存在するシナリオに対処できません。 本研究では,分散校正型分類損失,視覚意味マッピング,セマンティック類似性誘導拡張の3つの新しい機能ブロックを設計した。 AWA2-LTSとImageNet-LTSという2つの新しいデータセットが提案された。
  論文  参考訳（メタデータ） (2022-07-20T19:07:46Z)
• DeepFD: Automated Fault Diagnosis and Localization for Deep Learning Programs [15.081278640511998]
  DeepFDは学習ベースの障害診断およびローカライゼーションフレームワークである。 フォールトローカライゼーションタスクを学習問題にマップする。 52%の欠陥DLプログラムを正しく診断し、最先端の成果によって達成された約半分(27%)と比較する。
  論文  参考訳（メタデータ） (2022-05-04T08:15:56Z)
• Challenges in Migrating Imperative Deep Learning Programs to Graph Execution: An Empirical Study [4.415977307120617]
  我々は、信頼できるがパフォーマンスのよい命令型DLコードを書くことに関わる課題と結果のバグを、データ駆動で分析します。 命令型DLコードを効果的にハイブリダイズするために、いくつかの推奨事項、ベストプラクティス、アンチパターンを提示しました。
  論文  参考訳（メタデータ） (2022-01-24T21:12:38Z)
• Deep Learning-based Implicit CSI Feedback in Massive MIMO [68.81204537021821]
  ニューラルネットワーク(NN)を用いて,プリコーディング行列インジケータ(PMI)符号化とデコードモジュールを置き換える,低オーバヘッド特性を継承するDLベースの暗黙的フィードバックアーキテクチャを提案する。 1つのリソースブロック(RB)では、2つのアンテナ構成下のタイプIコードブックと比較して25.0%と40.0%のオーバーヘッドを節約できる。
  論文  参考訳（メタデータ） (2021-05-21T02:43:02Z)
• EXPLAINABOARD: An Explainable Leaderboard for NLP [69.59340280972167]
  ExplainaBoardはNLP評価の新たな概念化と実装である。 研究者は(i)一つのシステムの強みと弱さを診断し、(ii)複数のシステム間の関係を解釈することができる。
  論文  参考訳（メタデータ） (2021-04-13T17:45:50Z)
• An Empirical Study on Deployment Faults of Deep Learning Based Mobile Applications [7.58063287182615]
  モバイルディープラーニング(DL)アプリは、大規模データを使用してトレーニングされたDLモデルとDLプログラムを統合する。 本稿では,モバイルdlアプリのデプロイ障害に関する最初の総合的研究を行う。 我々は,断層症状に関する23のカテゴリからなる微粒度分類を構築し,異なる断層タイプに対する共通修正戦略を蒸留する。
  論文  参考訳（メタデータ） (2021-01-13T08:19:50Z)
• A Survey of Deep Active Learning [54.376820959917005]
  アクティブラーニング(AL)は、最も少ないサンプルをマークすることで、モデルの性能向上を最大化しようとする。 ディープラーニング(DL)はデータに対して欲張りであり、大量のパラメータを最適化するために大量のデータ供給を必要とする。 ディープラーニング(Deep Active Learning, DAL)が誕生した。
  論文  参考訳（メタデータ） (2020-08-30T04:28:31Z)
• Model-based Exploration of the Frontier of Behaviours for Deep Learning System Testing [4.632232395989182]
  深層学習(DL)システムは、テスト対象システムの妥当性領域内の有無にかかわらず、入力として提供される任意の数値ベクトルに対して出力を生成する。 本稿では,行動のフロンティア,すなわちDLシステムが誤動作し始める入力について紹介する。 We developed DeepJanus, a search-based tool that generate frontier inputs for DL systems。
  論文  参考訳（メタデータ） (2020-07-06T14:42:11Z)
• Data Mining with Big Data in Intrusion Detection Systems: A Systematic Literature Review [68.15472610671748]
  クラウドコンピューティングは、複雑で高性能でスケーラブルな計算のために、強力で必要不可欠な技術になっている。 データ生成の迅速化とボリュームは、データ管理とセキュリティに重大な課題をもたらし始めている。 ビッグデータ設定における侵入検知システム(IDS)の設計と展開が重要視されている。
  論文  参考訳（メタデータ） (2020-05-23T20:57:12Z)

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。