論文の概要: Profile Guided Optimization without Profiles: A Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2112.14679v1
• Date: Fri, 24 Dec 2021 22:49:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-02 08:40:00.055559
• Title: Profile Guided Optimization without Profiles: A Machine Learning Approach
• Title（参考訳）: プロファイルなしのプロファイル誘導最適化:機械学習アプローチ
• Authors: Nadav Rotem, Chris Cummins
• Abstract要約: プロファイルガイド最適化は動的挙動に基づくコンパイラの最適化能力を改善する効果的な手法である。 本稿では,プロファイルを導出せずにコンパイルされるプログラムの性能を向上させる分岐確率推定のための新しい統計的アプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Profile guided optimization is an effective technique for improving the optimization ability of compilers based on dynamic behavior, but collecting profile data is expensive, cumbersome, and requires regular updating to remain fresh. We present a novel statistical approach to inferring branch probabilities that improves the performance of programs that are compiled without profile guided optimizations. We perform offline training using information that is collected from a large corpus of binaries that have branch probabilities information. The learned model is used by the compiler to predict the branch probabilities of regular uninstrumented programs, which the compiler can then use to inform optimization decisions. We integrate our technique directly in LLVM, supplementing the existing human-engineered compiler heuristics. We evaluate our technique on a suite of benchmarks, demonstrating some gains over compiling without profile information. In deployment, our technique requires no profiling runs and has negligible effect on compilation time.
• Abstract（参考訳）: プロファイル誘導最適化は、動的動作に基づくコンパイラの最適化能力を改善する効果的な手法であるが、プロファイルデータの収集は高価で面倒であり、定期的な更新が必要である。 本稿では,プロファイルを最適化せずにコンパイルされたプログラムの性能を向上させる分岐確率を推定する新しい統計手法を提案する。 分岐確率情報を有するバイナリの大規模なコーパスから収集した情報を用いて,オフライントレーニングを行う。 学習されたモデルは、コンパイラーが正規の未入力プログラムの分岐確率を予測するために使われ、コンパイラは最適化決定を知らせるために使用できる。 我々の技術はLLVMに直接統合され、既存の人間工学のコンパイラヒューリスティックスを補完します。 本手法をベンチマークスイートで評価し,プロファイル情報無しでコンパイルした場合の利点を示す。 デプロイメントでは,プロファイリングの実行を必要とせず,コンパイル時間に何の影響も与えない。

関連論文リスト

• MIREncoder: Multi-modal IR-based Pretrained Embeddings for Performance Optimizations [6.919817502555546]
  本稿では,Multi-modal IRベースのオートエンコーダであるMIREncoderを提案する。 マルチモーダルなアプローチにより、コンパイル可能なプログラムからより優れた特徴を抽出できる。 評価の結果,提案手法はオーバヘッドを低減しつつ,技術状況より優れることが示された。
  論文  参考訳（メタデータ） (2024-07-02T13:00:19Z)
• Stale Profile Matching [1.1091463365252643]
  プロファイル誘導最適化は、最適化されたコードを生成するためにコンパイラを指示するプロファイルデータに依存する。 実際には、一般的にプロファイルコレクションとリリースの間にギャップがあり、プロファイルの一部が最適化のために無効になる。 本稿では,リリースの背後にあるいくつかのリビジョンから構築されたバイナリ上に収集されたプロファイルを利用するための,最初の実用的なソリューションを提案する。
  論文  参考訳（メタデータ） (2024-01-30T16:56:32Z)
• A Closer Look at Learned Optimization: Stability, Robustness, and Inductive Biases [44.01339030872185]
  ブラックボックスは、しばしば、メタトレーニングセットのタスクと異なり、安定性と一般化に苦しむ。 最適化アルゴリズムの帰納バイアスと安定性特性について検討し、結果として得られる知見をブラックボックスの帰納バイアスの設計に適用する。 私たちはさまざまなニューラルネットワークトレーニングタスクを学び、そこで学んだ技術の現状を上回ります。
  論文  参考訳（メタデータ） (2022-09-22T17:47:21Z)
• Learning to Superoptimize Real-world Programs [79.4140991035247]
  本稿では,ニューラルシークエンス・ツー・シーケンス・モデルを用いて,実世界のプログラムを最適化するフレームワークを提案する。 我々は、x86-64アセンブリでオープンソースプロジェクトから抽出された25万以上の実世界の関数からなるデータセットであるBig Assemblyベンチマークを紹介した。
  論文  参考訳（メタデータ） (2021-09-28T05:33:21Z)
• Learning to Optimize: A Primer and A Benchmark [94.29436694770953]
  最適化への学習(L2O)は、機械学習を活用して最適化方法を開発する新しいアプローチです。 この記事では、継続的最適化のためのL2Oの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2021-03-23T20:46:20Z)
• Training Learned Optimizers with Randomly Initialized Learned Optimizers [49.67678615506608]
  ランダムに学習した人の集団は、オンラインの方法でゼロから学習することができる。 人口ベーストレーニングの形式は、この自己学習の組織化に使用される。 このタイプのフィードバックループは、機械学習の将来において重要かつ強力なものになると思います。
  論文  参考訳（メタデータ） (2021-01-14T19:07:17Z)
• Deep Data Flow Analysis [14.583644439728895]
  ProGraMLは、ディープラーニングのためのプログラム全体のセマンティクスのポータブル表現である。 コンパイラ解析のための現在および将来の学習手法をベンチマークする。 本稿では, ProGraMLを用いて, ダウンストリームコンパイラ最適化タスクにおいて, 標準解析を学習し, 性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-11-21T03:29:14Z)
• Fast Rates for Contextual Linear Optimization [52.39202699484225]
  提案手法は, 下流決定性能を直接最適化する手法よりもはるかに高速な, 後悔の収束率を実現する。 予測モデルは、既存のツールを使ったトレーニングが簡単かつ高速で、解釈が簡単で、私たちが示しているように、非常にうまく機能する決定につながる。
  論文  参考訳（メタデータ） (2020-11-05T18:43:59Z)
• Reverse engineering learned optimizers reveals known and novel mechanisms [50.50540910474342]
  学習は最適化問題を解決するために自らを訓練できるアルゴリズムである。 実験の結果は,学習の動作方法に関するそれまでの曖昧な理解を解明し,今後の学習を解釈するためのツールを確立するのに役立つ。
  論文  参考訳（メタデータ） (2020-11-04T07:12:43Z)
• Global Optimization of Gaussian processes [52.77024349608834]
  少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。 このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。 提案手法の順序の順序による時間収束を,総じて低減する。
  論文  参考訳（メタデータ） (2020-05-21T20:59:11Z)

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。