Fugu-MT 論文翻訳(概要): Silhouette: Toward Performance-Conscious and Transferable CPU Embeddings

論文の概要: Silhouette: Toward Performance-Conscious and Transferable CPU Embeddings

arxiv url: http://arxiv.org/abs/2212.08046v1
Date: Thu, 15 Dec 2022 18:52:27 GMT
ステータス: 処理完了
システム内更新日: 2022-12-16 17:37:39.364374
Title: Silhouette: Toward Performance-Conscious and Transferable CPU Embeddings
Title（参考訳）: silhouette: パフォーマンス意識と転送可能なcpu組み込みに向けて
Authors: Tarikul Islam Papon, Abdul Wasay
Abstract要約: 我々は、公開可能なパフォーマンスデータセットを活用してCPU埋め込みを学習するアプローチであるSilhouetteを紹介します。これらの埋め込みによって、異なるタイプとサイズのデータセット間での移動学習が可能となることを示す。
参考スコア（独自算出の注目度）: 6.47243430672461
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Learned embeddings are widely used to obtain concise data representation and enable transfer learning between different data sets and tasks. In this paper, we present Silhouette, our approach that leverages publicly-available performance data sets to learn CPU embeddings. We show how these embeddings enable transfer learning between data sets of different types and sizes. Each of these scenarios leads to an improvement in accuracy for the target data set.
Abstract（参考訳）: 学習された埋め込みは、簡潔なデータ表現を得るために広く使われ、異なるデータセットとタスク間の伝達学習を可能にする。本稿では、一般に利用可能なパフォーマンスデータセットを利用してCPU埋め込みを学習するSilhouetteを提案する。これらの組込みが、異なる型とサイズのデータセット間での転送学習を可能にする方法を示す。これらのシナリオはそれぞれ、ターゲットデータセットの正確性の向上につながります。

関連論文リスト

What is different between these datasets? [20.706111458944502]
同じ領域の2つのデータセットは異なる分布を示す可能性がある。本稿では,データセットの比較を行うための解釈可能な手法の汎用的ツールボックスを提案する。これらの手法は、動作可能で解釈可能な洞察を提供することによって既存の手法を補完する。
論文参考訳（メタデータ） (2024-03-08T19:52:39Z)
LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。 LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
論文参考訳（メタデータ） (2024-02-06T19:18:04Z)
One-Shot Learning as Instruction Data Prospector for Large Language Models [108.81681547472138]
textscNuggetsはワンショット学習を使用して、広範なデータセットから高品質な命令データを選択する。我々は,textscNuggets がキュレートした例の上位1%による命令チューニングが,データセット全体を用いた従来の手法よりも大幅に優れていることを示す。
論文参考訳（メタデータ） (2023-12-16T03:33:12Z)
ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2023-06-16T21:51:04Z)
A Data-Based Perspective on Transfer Learning [76.30206800557411]
転送学習におけるソースデータセットの合成の役割について,より詳しく検討する。我々のフレームワークは、転送学習の脆さをピンポインティングするなど、新しい機能を生み出します。
論文参考訳（メタデータ） (2022-07-12T17:58:28Z)
A Concise Review of Transfer Learning [1.5771347525430772]
転送学習は、他の関連するソースデータを適用することで、ターゲット学習者のパフォーマンスを高めることを目的としている。従来の機械学習とデータマイニングのテクニックは、トレーニングとテストのデータは同じ特徴空間と分布から来ていると仮定する。
論文参考訳（メタデータ） (2021-04-05T20:34:55Z)
Representation Matters: Assessing the Importance of Subgroup Allocations in Training Data [85.43008636875345]
訓練データにおける多様な表現は,サブグループのパフォーマンス向上と集団レベルの目標達成の鍵である。分析と実験は、データセット構成がパフォーマンスにどのように影響するかを説明し、既存のデータにおけるトレンドとドメイン知識を用いて、意図的かつ客観的なデータセット設計を導くのに役立つ構成結果を提供する。
論文参考訳（メタデータ） (2021-03-05T00:27:08Z)
Improving filling level classification with adversarial training [90.01594595780928]
単一画像からカップや飲料グラスのコンテントのレベルを分類する問題について検討する。汎用ソースデータセットで逆トレーニングを使用し、タスク固有のデータセットでトレーニングを洗練します。ソース領域における逆学習による伝達学習は,テストセットの分類精度を常に向上させることを示す。
論文参考訳（メタデータ） (2021-02-08T08:32:56Z)
The Utility of Feature Reuse: Transfer Learning in Data-Starved Regimes [6.419457653976053]
データ・スターベド・レシエーションを持つドメインに対する転送学習のユースケースについて述べる。畳み込み特徴抽出と微調整の有効性を評価する。我々はトランスファーラーニングがCNNアーキテクチャの性能を向上させることを結論付けている。
論文参考訳（メタデータ） (2020-02-29T18:48:58Z)

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。