論文の概要: Proteus: A Self-Designing Range Filter

• arxiv url: http://arxiv.org/abs/2207.01503v1
• Date: Thu, 30 Jun 2022 22:43:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-09 15:35:12.523526
• Title: Proteus: A Self-Designing Range Filter
• Title（参考訳）: proteus: 自己設計のレンジフィルタ
• Authors: Eric R. Knorr, Baptiste Lemaire, Andrew Lim, Siqiang Luo, Huanchen Zhang, Stratos Idreos, Michael Mitzenmacher
• Abstract要約: Proteusは、新しい自己設計近似レンジフィルタである。 最先端レンジフィルタの確率的および決定論的設計空間を統一する。 Proteusは、より脆い最先端の手法よりも最大5.3倍の性能向上を実現している。
• 参考スコア（独自算出の注目度）: 29.998915706012642
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Proteus, a novel self-designing approximate range filter, which configures itself based on sampled data in order to optimize its false positive rate (FPR) for a given space requirement. Proteus unifies the probabilistic and deterministic design spaces of state-of-the-art range filters to achieve robust performance across a larger variety of use cases. At the core of Proteus lies our Contextual Prefix FPR (CPFPR) model - a formal framework for the FPR of prefix-based filters across their design spaces. We empirically demonstrate the accuracy of our model and Proteus' ability to optimize over both synthetic workloads and real-world datasets. We further evaluate Proteus in RocksDB and show that it is able to improve end-to-end performance by as much as 5.3x over more brittle state-of-the-art methods such as SuRF and Rosetta. Our experiments also indicate that the cost of modeling is not significant compared to the end-to-end performance gains and that Proteus is robust to workload shifts.
• Abstract（参考訳）: 我々は,与えられた空間要件に対して偽陽性率(fpr)を最適化するために,サンプルデータに基づいて自己設定を行う新しい自己設計近似レンジフィルタであるproteusを提案する。 proteusは最先端レンジフィルタの確率的かつ決定論的設計空間を統一し、幅広いユースケースで堅牢な性能を実現する。 proteusの中核は、プレフィックスベースのフィルタを設計空間にまたがるfprの形式的フレームワークである、プレフィックスプレフィックスfpr(cpfpr)モデルです。 合成ワークロードと実世界のデータセットの両方で最適化できるモデルとProteusの能力を実証的に実証しています。 さらに、RocksDBのProteusを評価し、SuRFやRosettaのようなより脆い最先端の手法よりも、最大5.3倍のエンドツーエンド性能を向上できることを示す。 我々の実験は、モデリングのコストがエンドツーエンドのパフォーマンス向上と比べて重要でないこと、Proteusがワークロードシフトに対して堅牢であることを示唆している。

関連論文リスト

• Proteus: Preserving Model Confidentiality during Graph Optimizations [5.44122875495684]
  本稿では,独立政党によるモデル最適化を実現する新しいメカニズムであるProteusを提案する。 Proteusは、計算グラフをサブグラフに分割することで、保護されたモデルを難読化する。 私たちの知る限り、Proteusはパフォーマンス最適化中にモデルの機密性に取り組む最初の作品です。
  論文  参考訳（メタデータ） (2024-04-18T21:23:25Z)
• Learning Regions of Interest for Bayesian Optimization with Adaptive Level-Set Estimation [84.0621253654014]
  本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。 理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
  論文  参考訳（メタデータ） (2023-07-25T09:45:47Z)
• Robust Feature Inference: A Test-time Defense Strategy using Spectral Projections [12.807619042576018]
  我々はロバスト特徴推論(RFI)と呼ばれる新しいテスト時間防衛戦略を提案する。 RFIは、追加のテスト時間計算なしで既存の(ロバストな)トレーニング手順と簡単に統合できる。 RFIは、適応攻撃や転送攻撃によるロバスト性を継続的に改善することを示す。
  論文  参考訳（メタデータ） (2023-07-21T16:18:58Z)
• Filter Pruning for Efficient CNNs via Knowledge-driven Differential Filter Sampler [103.97487121678276]
  フィルタプルーニングは同時に計算を加速し、CNNのメモリオーバーヘッドを低減する。 本稿では,MFM(Masked Filter Modeling)フレームワークを用いた知識駆動型微分フィルタサンプリング(KDFS)を提案する。
  論文  参考訳（メタデータ） (2023-07-01T02:28:41Z)
• Optimization for truss design using Bayesian optimization [1.5070398746522742]
  トラスの形状は、積載量を決定する上で支配的な要素である。 与えられたパラメータ空間において、我々のゴールは、負荷を持つ容量を最大化し、誘起ストレスに屈しない船体のパラメータを見つけることである。 設計評価のための計算コストの高い設計解析ツールである有限要素解析に頼っている。
  論文  参考訳（メタデータ） (2023-05-27T10:28:27Z)
• Alternating Objectives Generates Stronger PGD-Based Adversarial Attacks [78.2700757742992]
  Projected Gradient Descent (PGD) は、そのような敵を生成するための最も効果的で概念的にシンプルなアルゴリズムの1つである。 この主張を合成データの例で実験的に検証し、提案手法を25の$ell_infty$-robustモデルと3つのデータセットで評価した。 私たちの最強の敵攻撃は、AutoAttackアンサンブルのすべてのホワイトボックスコンポーネントより優れています。
  論文  参考訳（メタデータ） (2022-12-15T17:44:31Z)
• FAMLP: A Frequency-Aware MLP-Like Architecture For Domain Generalization [73.41395947275473]
  本稿では、変換周波数領域において、ドメイン固有の特徴をフィルタリングする新しい周波数認識アーキテクチャを提案する。 3つのベンチマークの実験では、最先端の手法をそれぞれ3%、4%、9%のマージンで上回った。
  論文  参考訳（メタデータ） (2022-03-24T07:26:29Z)
• Progressive-Scale Boundary Blackbox Attack via Projective Gradient Estimation [26.16745376395128]
  境界ベースのブラックボックス攻撃は、攻撃者が最終的なモデル予測にのみアクセスする必要があるため、実用的で効果的であると認識されている。 このような効率性は、攻撃が適用される規模に大きく依存し、最適なスケールでの攻撃は効率を著しく向上させることを示す。 本稿では,プログレッシブスケール対応型プログレッシブ・スケール・プロジェクティブ・バウンダリ・アタック(PSBA)を提案する。
  論文  参考訳（メタデータ） (2021-06-10T21:13:41Z)
• Adversarial Robustness by Design through Analog Computing and Synthetic Gradients [80.60080084042666]
  光コプロセッサにインスパイアされた敵攻撃に対する新しい防御機構を提案する。 ホワイトボックス設定では、我々の防御はランダム投影のパラメータを難読化することで機能する。 光学系におけるランダムプロジェクションとバイナライゼーションの組み合わせにより、様々な種類のブラックボックス攻撃に対するロバスト性も向上する。
  論文  参考訳（メタデータ） (2021-01-06T16:15:29Z)
• Stochastic Linear Bandits with Protected Subspace [51.43660657268171]
  線形目的関数を最適化するが、報酬は未知の部分空間にのみ得られる線形帯域問題の変種について検討する。 特に、各ラウンドでは、学習者は、目的または保護されたサブスペースを、アクションの選択とともにクエリするかどうかを選択する必要がある。 提案アルゴリズムはOFULの原理から導かれるもので,保護された空間を推定するためにクエリのいくつかを利用する。
  論文  参考訳（メタデータ） (2020-11-02T14:59:39Z)

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。