論文の概要: Learning Branch Probabilities in Compiler from Datacenter Workloads
- arxiv url: http://arxiv.org/abs/2202.06728v1
- Date: Thu, 10 Feb 2022 12:59:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-15 18:08:57.897159
- Title: Learning Branch Probabilities in Compiler from Datacenter Workloads
- Title(参考訳): データセンタワークロードからのコンパイラの分岐確率の学習
- Authors: Easwaran Raman, Xinliang David Li
- Abstract要約: 機械学習モデルでは,コンパイラと比較して分岐確率が18~50%向上することを示す。
これは、40のベンチマークスイートのうち、最大8.1%がパフォーマンス改善であり、1%がGeomeanの改善であることを意味している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Estimating the probability with which a conditional branch instruction is
taken is an important analysis that enables many optimizations in modern
compilers. When using Profile Guided Optimizations (PGO), compilers are able to
make a good estimation of the branch probabilities. In the absence of profile
information, compilers resort to using heuristics for this purpose. In this
work, we propose learning branch probabilities from a large corpus of data
obtained from datacenter workloads.
Using metrics including Root Mean Squared Error, Mean Absolute Error and
cross-entropy, we show that the machine learning model improves branch
probability estimation by 18-50% in comparison to compiler heuristics. This
translates to performance improvement of up to 8.1% on 24 out of a suite of 40
benchmarks with a 1% geomean improvement on the suite. This also results in
greater than 1.2% performance improvement in an important search application.
- Abstract(参考訳): 条件分岐命令が実行される確率を推定することは、現代のコンパイラで多くの最適化を可能にする重要な分析である。
プロファイル誘導最適化(pgo)を使用する場合、コンパイラは分岐確率を適切に推定することができる。
プロファイル情報がない場合、コンパイラはこの目的のためにヒューリスティックを使用する。
本研究では,データセンターのワークロードから得られた大量のデータから分岐確率を学習する手法を提案する。
また,Root Mean Squared Error,Mean Absolute Error,cross-entropyなどのメトリクスを用いて,機械学習モデルにより,コンパイラヒューリスティックスと比較して分岐確率推定が18~50%向上することを示す。
これは40のベンチマークスイートのうち、最大8.1%がパフォーマンス改善であり、1%がジオ平均改善であることを意味する。
これにより、重要な検索アプリケーションのパフォーマンスが1.2%以上向上する。
関連論文リスト
- A Probabilistic Method to Predict Classifier Accuracy on Larger Datasets
given Small Pilot Data [4.076366901873452]
分類器を構築する実践者は、多くの場合、より小さなパイロットデータセットから始まり、近い将来、より大きなデータに成長する計画である。
このようなプロジェクトには,データサイズが2倍,10倍,50倍の精度で向上するツールキットが必要だ。
本稿では,データセットのサイズが大きくなるにつれて,精度や類似のパフォーマンス指標の確率論的外挿を求めるプロセスモデルを提案する。
論文 参考訳(メタデータ) (2023-11-29T19:10:15Z) - Revisiting Evaluation Metrics for Semantic Segmentation: Optimization
and Evaluation of Fine-grained Intersection over Union [113.20223082664681]
そこで本研究では,mIoUsの微細化と,それに対応する最悪の指標を提案する。
これらのきめ細かいメトリクスは、大きなオブジェクトに対するバイアスの低減、よりリッチな統計情報、モデルとデータセット監査に関する貴重な洞察を提供する。
ベンチマークでは,1つの測定値に基づかないことの必要性を強調し,微細なmIoUsが大きな物体への偏りを減少させることを確認した。
論文 参考訳(メタデータ) (2023-10-30T03:45:15Z) - Learning Optimal Classification Trees Robust to Distribution Shifts [3.244976698646146]
トレーニングとテスト/デプロイデータ間の分散シフトに頑健な分類木を学習する際の問題点を考察する。
混合整数型ロバスト最適化技術に基づく最適ロバスト分類木を学習する手法を提案する。
論文 参考訳(メタデータ) (2023-10-26T20:37:29Z) - Efficient Convex Algorithms for Universal Kernel Learning [50.877957471649395]
カーネルの理想的な集合: 線形パラメータ化(トラクタビリティ)を認める; すべてのカーネルの集合に密着する(正確性)。
従来のカーネル最適化アルゴリズムは分類に限られており、計算に複雑なセミデフィニティプログラミング(SDP)アルゴリズムに依存していた。
本稿では,従来のSDP手法と比較して計算量を大幅に削減するSVD-QCQPQPアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-15T04:57:37Z) - Linear Algorithms for Nonparametric Multiclass Probability Estimation [0.0]
アンサンブル学習によってクラス確率を推定するために,サポートベクトルマシン (wSVM) が開発された。
計算効率と推定精度の面でwSVMをさらに向上するために,ベースライン学習とOVA学習という2つの新しい学習手法を提案する。
論文 参考訳(メタデータ) (2022-05-25T03:15:22Z) - Profile Guided Optimization without Profiles: A Machine Learning
Approach [0.0]
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。
論文 参考訳(メタデータ) (2021-12-24T22:49:21Z) - MIO : Mutual Information Optimization using Self-Supervised Binary
Contrastive Learning [19.5917119072985]
対が正かどうかを予測するために、比較学習を二項分類問題にモデル化する。
提案手法は,STL-10,CIFAR-10,CIFAR-100などのベンチマークデータセットにおいて,最先端のアルゴリズムよりも優れている。
論文 参考訳(メタデータ) (2021-11-24T17:51:29Z) - VSAC: Efficient and Accurate Estimator for H and F [68.65610177368617]
VSACはRANSAC型頑健な推定器であり、多くの新奇性がある。
従来のすべてのプロセッサよりも大幅に高速で、CPU上では平均1-2msで動作する。
現在最も正確な2次元幾何学推定器である MAGSAC++ と同等の精度で2桁高速である。
論文 参考訳(メタデータ) (2021-06-18T17:04:57Z) - Predict then Interpolate: A Simple Algorithm to Learn Stable Classifiers [59.06169363181417]
Predict then Interpolate (PI) は環境全体にわたって安定な相関関係を学習するためのアルゴリズムである。
正しい予測と間違った予測の分布を補間することにより、不安定な相関が消えるオラクル分布を明らかにすることができる。
論文 参考訳(メタデータ) (2021-05-26T15:37:48Z) - Towards More Fine-grained and Reliable NLP Performance Prediction [85.78131503006193]
NLPタスクのパフォーマンス予測の改善に2つの貢献をしている。
まず,F1やBLEUのような総合的な精度測定のための性能予測器について検討する。
次に,信頼区間とキャリブレーションの2つの角度から性能予測モデルの信頼性を理解する手法を提案する。
論文 参考訳(メタデータ) (2021-02-10T15:23:20Z) - Semi-Supervised Neural Architecture Search [185.0651567642238]
SemiNASは、多くの未ラベルアーキテクチャを活用する半教師付きニューラルアーキテクチャサーチ(NAS)アプローチである(評価なしで、ほぼコストがかからない)。
NASBench-101で94.02%のテスト精度を達成し、同じ数のアーキテクチャを使用する場合、すべてのベースラインを上回ります。
低リソース環境では97%のインテリジェンス率、ロバストネス環境では15%のテストエラー率、ベースラインではそれぞれ9%、7%の改善を実現している。
論文 参考訳(メタデータ) (2020-02-24T17:23:00Z)
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。