論文の概要: XRBench: An Extended Reality (XR) Machine Learning Benchmark Suite for
the Metaverse
- arxiv url: http://arxiv.org/abs/2211.08675v1
- Date: Wed, 16 Nov 2022 05:08:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 16:41:28.883335
- Title: XRBench: An Extended Reality (XR) Machine Learning Benchmark Suite for
the Metaverse
- Title(参考訳): XRBench: メタバースのための拡張現実(XR)機械学習ベンチマークスイート
- Authors: Hyoukjun Kwon, Krishnakumar Nair, Jamin Seo, Jason Yik, Debabrata
Mohapatra, Dongyuan Zhan, Jinook Song, Peter Capak, Peizhao Zhang, Peter
Vajda, Colby Banbury, Mark Mazumder, Liangzhen Lai, Ashish Sirasao, Tushar
Krishna, Harshit Khaitan, Vikas Chandra, Vijay Janapa Reddi
- Abstract要約: メタバースユースケースをサポートするために拡張現実(XR)のようなアプリケーション分野では、リアルタイムマルチモデルマルチタスク(MMMT)ワークロードが出現している。
これらのワークロードは、ユーザインタラクションと計算に複雑な機械学習(ML)アクティビティを組み合わせる。
これらのワークロードには、固有の困難と制約がある。
- 参考スコア(独自算出の注目度): 18.12263246913058
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-time multi-model multi-task (MMMT) workloads, a new form of deep
learning inference workloads, are emerging for applications areas like extended
reality (XR) to support metaverse use cases. These workloads combine user
interactivity with computationally complex machine learning (ML) activities.
Compared to standard ML applications, these ML workloads present unique
difficulties and constraints. Real-time MMMT workloads impose heterogeneity and
concurrency requirements on future ML systems and devices, necessitating the
development of new capabilities. This paper begins with a discussion of the
various characteristics of these real-time MMMT ML workloads and presents an
ontology for evaluating the performance of future ML hardware for XR systems.
Next, we present XRBench, a collection of MMMT ML tasks, models, and usage
scenarios that execute these models in three representative ways: cascaded,
concurrent, and cascaded-concurrency for XR use cases. Finally, we emphasize
the need for new metrics that capture the requirements properly. We hope that
our work will stimulate research and lead to the development of a new
generation of ML systems for XR use cases.
- Abstract(参考訳): 新しい形式のディープラーニング推論ワークロードであるリアルタイムマルチモデルマルチタスク(MMMT)ワークロードは、メタバースユースケースをサポートするために拡張現実(XR)のようなアプリケーション領域に現れている。
これらのワークロードは、ユーザインタラクションと計算に複雑な機械学習(ML)アクティビティを組み合わせる。
標準的なMLアプリケーションと比較して、これらのMLワークロードには固有の困難と制約がある。
リアルタイムMMMTワークロードは、将来のMLシステムとデバイスに不均一性と並行性の要件を課し、新しい機能の開発を必要とする。
本稿では,これらのリアルタイム MMMT ML ワークロードの特徴について考察し,XR システムにおける将来の ML ハードウェアの性能を評価するためのオントロジーを提案する。
次に、XRBenchというMMMT MLタスク、モデル、利用シナリオのコレクションを紹介し、これらモデルを3つの代表的な方法で実行します。
最後に、要求を適切に把握する新しいメトリクスの必要性を強調します。
我々の研究が研究を刺激し、XRユースケースのための次世代のMLシステムの開発に繋がることを願っている。
関連論文リスト
- Model Composition for Multimodal Large Language Models [73.70317850267149]
本稿では,既存のMLLMのモデル構成による新しいパラダイムを提案する。
我々の基本的な実装であるNaiveMCは、モダリティエンコーダを再利用し、LLMパラメータをマージすることで、このパラダイムの有効性を実証する。
論文 参考訳(メタデータ) (2024-02-20T06:38:10Z) - SPHINX-X: Scaling Data and Parameters for a Family of Multi-modal Large
Language Models [97.95061863448996]
MLLM(Multimodality Large Language Model)シリーズを開発した。
我々は、言語、ビジョン、視覚言語タスクで利用可能なリソースを網羅した包括的なデータセットを組み立てる。
パラメータサイズや多言語能力の異なるMLLMのスペクトルを得る。
論文 参考訳(メタデータ) (2024-02-08T18:59:48Z) - RedCoast: A Lightweight Tool to Automate Distributed Training of LLMs on
Any GPU/TPUs [33.39013733151192]
大規模言語モデル(LLM)の分散トレーニングと推論を自動化するツールであるRedCoastを紹介する。
また,3つの関数の定義により,多様なMLパイプラインをカスタマイズする機構を提案する。
論文 参考訳(メタデータ) (2023-10-25T04:32:35Z) - Simultaneous Machine Translation with Large Language Models [51.470478122113356]
我々は,SimulMTタスクに大規模言語モデルを適用する可能性を検討する。
MUST-Cデータセットと異なる9言語でtextttLlama2-7b-chatモデルを用いて実験を行った。
その結果,LLM は BLEU と LAAL の指標で専用MT モデルよりも優れていた。
論文 参考訳(メタデータ) (2023-09-13T04:06:47Z) - In Situ Framework for Coupling Simulation and Machine Learning with
Application to CFD [51.04126395480625]
近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。
シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。
この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
論文 参考訳(メタデータ) (2023-06-22T14:07:54Z) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time
Series [79.64785804590821]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。
本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文 参考訳(メタデータ) (2023-05-19T10:11:21Z) - DREAM: A Dynamic Scheduler for Dynamic Real-time Multi-model ML
Workloads [8.266680870089997]
RTMMワークロードの様々な動的処理を効果的に行う新しいスケジューラDREAMを提案する。
DREAMはRTMMワークロードのユニークな要件を定量化し、定量化されたスコアを使用してスケジューリング決定を実行する。
RTMMワークロードの5つのシナリオの評価において、DREAMは、最先端のベースラインと比較して、平均幾何(80.8%、97.6%)においてUXCost全体の32.2%と50.0%削減する。
論文 参考訳(メタデータ) (2022-12-07T02:48:14Z) - BPMN4sML: A BPMN Extension for Serverless Machine Learning. Technology
Independent and Interoperable Modeling of Machine Learning Workflows and
their Serverless Deployment Orchestration [0.0]
機械学習(ML)は学術、産業、社会のあらゆる層に浸透し続けている。
ビジネスプロセスモデルと表記法(BPMN)は広く受け入れられ、適用されています。
BPMNは機械学習を表現するための特別なサポートではない。
BPMN4sML(サーバレス機械学習のためのBPMN)を紹介します。
論文 参考訳(メタデータ) (2022-08-02T10:36:00Z) - Few-Shot Class-Incremental Learning by Sampling Multi-Phase Tasks [59.12108527904171]
モデルは新しいクラスを認識し、古いクラスに対する差別性を維持すべきである。
古いクラスを忘れずに新しいクラスを認識するタスクは、FSCIL ( few-shot class-incremental Learning) と呼ばれる。
我々は,LearnIng Multi-phase Incremental Tasks (LIMIT) によるメタラーニングに基づくFSCILの新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2022-03-31T13:46:41Z) - Symphony: Composing Interactive Interfaces for Machine Learning [15.322027013779689]
Symphonyは、タスク固有のデータ駆動コンポーネントと対話型MLインターフェースを構成するためのフレームワークである。
我々は10チーム(n=31)の参加型デザインセッションを通じてSymphonyを開発した。
論文 参考訳(メタデータ) (2022-02-18T00:27:30Z) - Multi-Faceted Hierarchical Multi-Task Learning for a Large Number of
Tasks with Multi-dimensional Relations [10.326429525379181]
本研究は,共有学習ネットワーク設計の「マクロ」視点を考察し,多面階層型MTLモデル(MFH)を提案する。
MFHは、共有学習を最大化するネスト付き階層木構造と多次元タスク関係を利用する。
我々はMFHとSOTAモデルを100億サンプルの大規模ビデオプラットフォームで評価し、その結果、MFHは、オフラインおよびオンライン両方の評価において、SOTA MTLモデルよりも有意に優れていることを示した。
論文 参考訳(メタデータ) (2021-10-26T02:35:51Z)
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。