論文の概要: Compressing (Multidimensional) Learned Bloom Filters

• arxiv url: http://arxiv.org/abs/2208.03029v1
• Date: Fri, 5 Aug 2022 07:54:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-08 13:18:03.993772
• Title: Compressing (Multidimensional) Learned Bloom Filters
• Title（参考訳）: 圧縮(多次元)学習ブルームフィルタ
• Authors: Angjela Davitkova, Damjan Gjurovski, Sebastian Michel
• Abstract要約: Bloomフィルタは、要素が基礎となる集合に含まれていないか、あるいは特定のエラー率に含まれていないかを明らかにする。 ディープラーニングモデルは、このメンバシップテストの問題を解決するために使用される。 学習したブルームフィルタの利点は、膨大なデータを考慮する場合にのみ明らかである。
• 参考スコア（独自算出の注目度）: 7.6058140480517356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bloom filters are widely used data structures that compactly represent sets of elements. Querying a Bloom filter reveals if an element is not included in the underlying set or is included with a certain error rate. This membership testing can be modeled as a binary classification problem and solved through deep learning models, leading to what is called learned Bloom filters. We have identified that the benefits of learned Bloom filters are apparent only when considering a vast amount of data, and even then, there is a possibility to further reduce their memory consumption. For that reason, we introduce a lossless input compression technique that improves the memory consumption of the learned model while preserving a comparable model accuracy. We evaluate our approach and show significant memory consumption improvements over learned Bloom filters.
• Abstract（参考訳）: bloomフィルタは、要素の集合をコンパクトに表現するデータ構造として広く使われている。 bloomフィルタをクエリすると、下位のセットに要素が含まれていないか、特定のエラーレートに含まれているかが分かる。 このメンバシップテストはバイナリ分類問題としてモデル化することができ、ディープラーニングモデルを通じて解決される。 ラーニングブルームフィルタの利点は,膨大なデータ量を考慮する場合にのみ明らかであり,さらにメモリ消費を削減できる可能性が示唆された。 そこで,我々は,学習モデルのメモリ消費を改善しつつ,同等のモデルの精度を保ったロスレス入力圧縮手法を導入する。 提案手法を評価し,学習したブルームフィルタよりもメモリ消費が大幅に向上したことを示す。

関連論文リスト

• A Critical Analysis of Classifier Selection in Learned Bloom Filters [0.3359875577705538]
  フィルタ構築に使用されるデータの"複雑さ"は、そのパフォーマンスに大きく影響する可能性がある。 本稿では,学習ブルームフィルタの設計,解析,実装のための新しい手法を提案する。 提案手法とサポートソフトウェアは有効かつ有用であることを示す実験結果が得られた。
  論文  参考訳（メタデータ） (2022-11-28T17:17:18Z)
• Unrolled Compressed Blind-Deconvolution [77.88847247301682]
  sparse multi channel blind deconvolution (S-MBD) はレーダー/ソナー/超音波イメージングなどの多くの工学的応用で頻繁に発生する。 そこで本研究では,受信した全信号に対して,はるかに少ない測定値からブラインドリカバリを可能にする圧縮手法を提案する。
  論文  参考訳（メタデータ） (2022-09-28T15:16:58Z)
• On the Choice of General Purpose Classifiers in Learned Bloom Filters: An Initial Analysis Within Basic Filters [0.41998444721319217]
  ブルームフィルタのいくつかのバージョンが検討されており、古典的なフィルタよりも有利である。 それぞれが、データ構造の学習された部分である分類器を使用する。 特定の分類器がどの状況で利用できるかについての体系的な研究は行われていない。
  論文  参考訳（メタデータ） (2021-12-13T11:15:41Z)
• Learning Versatile Convolution Filters for Efficient Visual Recognition [125.34595948003745]
  本稿では,効率的な畳み込みニューラルネットワーク構築のための多目的フィルタを提案する。 本稿では,ネットワークの複雑性に関する理論的解析を行い,効率的な畳み込み手法を提案する。 ベンチマークデータセットとニューラルネットワークの実験結果は、我々の汎用フィルタが元のフィルタと同等の精度を達成できることを実証している。
  論文  参考訳（メタデータ） (2021-09-20T06:07:14Z)
• Unsupervised Outlier Detection using Memory and Contrastive Learning [53.77693158251706]
  特徴空間における外乱検出は,外乱検出から外乱検出までの特徴距離を測定することで行うことができると考えている。 本稿では,メモリモジュールとコントラスト学習モジュールを用いたMCODフレームワークを提案する。 提案したMCODは高い性能を達成し,9つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2021-07-27T07:35:42Z)
• Data Agnostic Filter Gating for Efficient Deep Networks [72.4615632234314]
  現在のフィルタプルーニング法は主に特徴写像を利用してフィルタの重要なスコアを生成し、より小さなスコアのプルーンを生成する。 本稿では,Daggerモジュールと呼ばれる補助的ネットワークを用いてプルーニングを誘導するデータフィルタプルーニング手法を提案する。 さらに,特定のFLOP制約でプルーネフィルタを支援するために,明示的なFLOPを意識した正規化を活用して,プルーニングフィルタを直接対象のFLOPに向けて推進する。
  論文  参考訳（メタデータ） (2020-10-28T15:26:40Z)
• Training Interpretable Convolutional Neural Networks by Differentiating Class-specific Filters [64.46270549587004]
  畳み込みニューラルネットワーク(CNN)は、様々なタスクでうまく使われている。 CNNは、しばしば「ブラックボックス」と解釈可能性の欠如とみなされる。 本稿では,クラス固有のフィルタを奨励することで,解釈可能なCNNを訓練する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-16T09:12:26Z)
• Partitioned Learned Bloom Filter [31.748077944821315]
  最適化問題として最適モデル利用の問題の枠組みを示す。 多くの場合、ほぼ最適性能を達成できるアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-06-05T00:05:32Z)
• Filter Grafting for Deep Neural Networks: Reason, Method, and Cultivation [86.91324735966766]
  フィルタは現代の畳み込みニューラルネットワーク(CNN)のキーコンポーネントである 本稿では,この目的を達成するためにフィルタグラフト(textbfMethod)を導入する。 我々は,フィルタの情報を測定するための新しい基準と,グラフトされた情報をネットワーク間でバランスをとるための適応重み付け戦略を開発する。
  論文  参考訳（メタデータ） (2020-04-26T08:36:26Z)

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。