Fugu-MT 論文翻訳(概要): HINNPerf: Hierarchical Interaction Neural Network for Performance Prediction of Configurable Systems

論文の概要: HINNPerf: Hierarchical Interaction Neural Network for Performance Prediction of Configurable Systems

arxiv url: http://arxiv.org/abs/2204.03931v1
Date: Fri, 8 Apr 2022 08:52:23 GMT
ステータス: 処理完了
システム内更新日: 2022-04-11 13:38:02.067464
Title: HINNPerf: Hierarchical Interaction Neural Network for Performance Prediction of Configurable Systems
Title（参考訳）: HINNPerf:階層型相互作用ニューラルネットワークによる構成可能なシステムの性能予測
Authors: Jiezhu Cheng, Cuiyun Gao and Zibin Zheng
Abstract要約: HINNPerfは、性能予測のための新しい階層型相互作用ニューラルネットワークである。 HINNPerfは、構成オプション間の複雑な相互作用をモデル化するために、埋め込みメソッドと階層ネットワークブロックを使用している。実世界の10のシステムにおける実証実験の結果,我々の手法は最先端の手法よりも統計的に優れていた。
参考スコア（独自算出の注目度）: 22.380061796355616
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Modern software systems are usually highly configurable, providing users with customized functionality through various configuration options. Understanding how system performance varies with different option combinations is important to determine optimal configurations that meet specific requirements. Due to the complex interactions among multiple options and the high cost of performance measurement under a huge configuration space, it is challenging to study how different configurations influence the system performance. To address these challenges, we propose HINNPerf, a novel hierarchical interaction neural network for performance prediction of configurable systems. HINNPerf employs the embedding method and hierarchic network blocks to model the complicated interplay between configuration options, which improves the prediction accuracy of the method. Besides, we devise a hierarchical regularization strategy to enhance the model robustness. Empirical results on 10 real-world configurable systems show that our method statistically significantly outperforms state-of-the-art approaches by achieving average 22.67% improvement in prediction accuracy. In addition, combined with the Integrated Gradients method, the designed hierarchical architecture provides some insights about the interaction complexity and the significance of configuration options, which might help users and developers better understand how the configurable system works and efficiently identify significant options affecting the performance.
Abstract（参考訳）: 現代のソフトウェアシステムは通常、高度に構成可能で、様々な設定オプションを通じてカスタマイズされた機能を提供する。特定の要件を満たす最適な構成を決定するためには、システムパフォーマンスが異なるオプションの組み合わせでどのように変化するかを理解することが重要です。複数のオプション間の複雑な相互作用と、巨大な構成空間下での性能測定のコストのため、異なる構成がシステムパフォーマンスに与える影響を研究することは困難である。これらの課題に対処するため,構成可能なシステムの性能予測のための階層型ニューラルネットワークHINNPerfを提案する。 HINNPerfは、組込み法と階層ネットワークブロックを用いて、構成オプション間の複雑な相互作用をモデル化し、メソッドの予測精度を向上させる。さらに、モデルロバスト性を高めるために階層的正規化戦略を考案する。実世界10システムにおける実験結果から, 予測精度が平均22.67%向上し, 統計的に最先端のアプローチを上回った。さらに、統合勾配法(integrated gradients method)と組み合わせることで、設計された階層アーキテクチャは、インタラクションの複雑さと構成オプションの重要性に関する洞察を提供する。

関連論文リスト

Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文参考訳（メタデータ） (2024-10-29T19:02:54Z)
Landscape-Aware Automated Algorithm Configuration using Multi-output Mixed Regression and Classification [0.01649298969786889]
モデル学習におけるランダム生成関数(RGF)の可能性について検討する。自動アルゴリズム構成(AAC)に焦点を当てる。混合回帰および分類タスクの処理における高密度ニューラルネットワーク(NN)モデルの性能解析を行う。
論文参考訳（メタデータ） (2024-09-02T20:04:41Z)
Principled Architecture-aware Scaling of Hyperparameters [69.98414153320894]
高品質のディープニューラルネットワークをトレーニングするには、非自明で高価なプロセスである適切なハイパーパラメータを選択する必要がある。本研究では,ネットワークアーキテクチャにおける初期化と最大学習率の依存性を正確に評価する。ネットワークランキングは、ベンチマークのトレーニングネットワークにより容易に変更可能であることを実証する。
論文参考訳（メタデータ） (2024-02-27T11:52:49Z)
CURE: Simulation-Augmented Auto-Tuning in Robotics [15.943773140929856]
本稿では、因果的な設定オプションを識別するCUREを提案する。 CUREは、様々な構成オプションとロボットのパフォーマンス目標との間の因果関係を抽象化する。物理ロボットとシミュレーションの両方で実験を行うことにより,CUREの有効性と伝達性を示す。
論文参考訳（メタデータ） (2024-02-08T04:27:14Z)
CAMEO: A Causal Transfer Learning Approach for Performance Optimization of Configurable Computer Systems [16.75106122540052]
環境変化下での因果予測の不変性を同定する手法であるCAMEOを提案する。 MLperf深層学習システム,ビデオ分析パイプライン,データベースシステムにおいて,最先端の最適化手法に対する大幅な性能向上を示す。
論文参考訳（メタデータ） (2023-06-13T16:28:37Z)
AdaEnsemble: Learning Adaptively Sparse Structured Ensemble Network for Click-Through Rate Prediction [0.0]
AdaEnsemble: 異種機能相互作用の専門家の強みを生かしたスパース・ゲート・ミックス・オブ・エキスパートアーキテクチャを提案する。 AdaEnsembleは、機能相互作用の深さを適応的に選択し、対応するSparseMoEスタック層を見つけて、予測を終了し、計算することができる。提案したAdaEnsembleを実装し,実世界のデータセット上での性能を評価する。
論文参考訳（メタデータ） (2023-01-06T12:08:15Z)
Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
論文参考訳（メタデータ） (2022-07-02T16:59:37Z)
Unicorn: Reasoning about Configurable System Performance through the lens of Causality [12.877523121932114]
ソフトウェア-ハードウェアスタック間の構成オプション間の複雑なインタラクションをキャプチャするUnicornと呼ばれる新しい手法を提案する。実験の結果、Unicornは最先端のパフォーマンス最適化とデバッグメソッドよりも優れていた。既存の手法とは異なり、学習した因果性能モデルは、新しい環境のパフォーマンスを確実に予測する。
論文参考訳（メタデータ） (2022-01-20T19:16:50Z)
Rethinking Architecture Selection in Differentiable NAS [74.61723678821049]
微分可能なニューラルアーキテクチャ探索は、その探索効率と簡易性において最も人気のあるNAS手法の1つである。本稿では,各操作がスーパーネットに与える影響を直接測定する摂動に基づくアーキテクチャ選択を提案する。提案手法により,DARTSの故障モードを大幅に緩和できることがわかった。
論文参考訳（メタデータ） (2021-08-10T00:53:39Z)
Redefining Neural Architecture Search of Heterogeneous Multi-Network Models by Characterizing Variation Operators and Model Components [71.03032589756434]
複素領域における異なる変動演算子の効果について検討する。モデルの複雑さと性能に影響を及ぼす変化演算子と、それを構成する異なる部分の質を推定する様々な指標に依存するモデルの両方を特徴付ける。
論文参考訳（メタデータ） (2021-06-16T17:12:26Z)
Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文参考訳（メタデータ） (2020-07-27T12:38:37Z)

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。