論文の概要: Challenges and Practices of Deep Learning Model Reengineering: A Case
Study on Computer Vision
- arxiv url: http://arxiv.org/abs/2303.07476v2
- Date: Fri, 25 Aug 2023 18:58:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 00:36:20.877232
- Title: Challenges and Practices of Deep Learning Model Reengineering: A Case
Study on Computer Vision
- Title（参考訳）: ディープラーニングモデル再設計の課題と実践--コンピュータビジョンを事例として
- Authors: Wenxin Jiang, Vishnu Banna, Naveen Vivek, Abhinav Goel, Nicholas
Synovic, George K. Thiruvathukal, James C. Davis
- Abstract要約: 多くのエンジニアリング組織が、研究コミュニティからディープニューラルネットワークを再実装し、拡張しています。
ディープラーニングモデルの再設計は、ドキュメント不足の参照モデル、要件の変更、実装とテストのコストといった理由から難しい。
本研究は「プロセス」の観点からのリエンジニアリング活動に重点を置いており、リエンジニアリングプロセスに特に携わるエンジニアに焦点を当てている。
- 参考スコア（独自算出の注目度）: 3.510650664260664
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many engineering organizations are reimplementing and extending deep neural
networks from the research community. We describe this process as deep learning
model reengineering. Deep learning model reengineering - reusing, reproducing,
adapting, and enhancing state-of-the-art deep learning approaches - is
challenging for reasons including under-documented reference models, changing
requirements, and the cost of implementation and testing. In addition,
individual engineers may lack expertise in software engineering, yet teams must
apply knowledge of software engineering and deep learning to succeed. Prior
work has examined on DL systems from a "product" view, examining defects from
projects regardless of the engineers' purpose. Our study is focused on
reengineering activities from a "process" view, and focuses on engineers
specifically engaged in the reengineering process.
Our goal is to understand the characteristics and challenges of deep learning
model reengineering. We conducted a case study of this phenomenon, focusing on
the context of computer vision. Our results draw from two data sources: defects
reported in open-source reeengineering projects, and interviews conducted with
open-source project contributors and the leaders of a reengineering team. Our
results describe how deep learning-based computer vision techniques are
reengineered, analyze the distribution of defects in this process, and discuss
challenges and practices. Integrating our quantitative and qualitative data, we
proposed a novel reengineering workflow. Our findings inform several future
directions, including: measuring additional unknown aspects of model
reengineering; standardizing engineering practices to facilitate reengineering;
and developing tools to support model reengineering and model reuse.
- Abstract（参考訳）: 多くのエンジニアリング組織は、ディープニューラルネットワークを研究コミュニティから再実装し、拡張している。
このプロセスはディープラーニングモデルの再設計である。
ディープラーニングモデルの再設計 – 再利用、再現、適応、最先端のディープラーニングアプローチの強化 – は、ドキュメント不足の参照モデル、要件の変更、実装とテストのコストといった理由から、難しい。
さらに、個々のエンジニアはソフトウェアエンジニアリングの専門知識を欠いているかもしれないが、チームはソフトウェアエンジニアリングとディープラーニングの知識を適用して成功させる必要がある。
以前の研究は"製品"の観点からDLシステムを調べ、エンジニアの目的に関係なくプロジェクトからの欠陥を調べてきた。
本研究は,「プロセス」の観点からのリエンジニアリング活動に注目し,リエンジニアリングプロセスに特に携わるエンジニアに焦点を当てた。
私たちの目標は、ディープラーニングモデルの再設計の特徴と課題を理解することです。
我々は,コンピュータビジョンの文脈に着目し,この現象の事例研究を行った。
この結果は,オープンソースの再設計プロジェクトで報告された欠陥と,オープンソースプロジェクトのコントリビュータと再設計チームのリーダによるインタビューの2つのデータソースから得られた。
本稿では,深層学習に基づくコンピュータビジョン技術の再設計方法を説明し,このプロセスにおける欠陥の分布を分析し,課題と実践について議論する。
定量的・定性的なデータを統合し,新しい再設計ワークフローを提案する。
モデル再設計の未知の側面を計測すること、再設計を容易にするためのエンジニアリングプラクティスの標準化、モデル再設計とモデル再利用を支援するツールの開発などである。
関連論文リスト
- Search, Verify and Feedback: Towards Next Generation Post-training Paradigm of Foundation Models via Verifier Engineering [51.31836988300326]
検証工学は、基礎モデルの時代のために特別に設計された新しいポストトレーニングパラダイムである。
検証工学のプロセスは,検索,検証,フィードバックの3段階に分類する。
論文 参考訳（メタデータ） (2024-11-18T12:04:52Z) - Data Publishing in Mechanics and Dynamics: Challenges, Guidelines, and Examples from Engineering Design [4.065325208853021]
本稿では、力学および力学におけるデータパブリッシングの価値と課題を分析する。
後者は、データ駆動手法が元来ブームになっている分野では一般的ではない課題や考察も提起している。
論文 参考訳（メタデータ） (2024-10-07T18:26:05Z) - Geometric Deep Learning for Computer-Aided Design: A Survey [85.79012726689511]
本調査では,コンピュータ支援設計における学習手法の概要について概観する。
類似性解析と検索、2Dおよび3DCADモデル合成、点雲からのCAD生成を含む。
ベンチマークデータセットとその特性の完全なリストと、この領域の研究を推進しているオープンソースコードを提供する。
論文 参考訳（メタデータ） (2024-02-27T17:11:35Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - From Concept to Manufacturing: Evaluating Vision-Language Models for Engineering Design [5.268919870502001]
本稿では,視覚言語モデル(VLM)を工学設計タスクの範囲で総合的に評価する。
本稿では, スケッチ類似性解析, CAD生成, トポロジ最適化, 製造性評価, 工学教科書問題などの設計課題における2つのVLM, GPT-4V, LLaVA 1.6 34Bの性能評価を行う。
論文 参考訳（メタデータ） (2023-11-21T15:20:48Z) - Learnware: Small Models Do Big [69.88234743773113]
自然言語処理やコンピュータビジョンの応用で目覚ましい成果を上げてきた、一般的なビッグモデルパラダイムは、これらの問題にまだ対応していないが、炭素排出量の深刻な源となっている。
この記事では、マシンラーニングモデルをスクラッチから構築する必要がないようにするための学習ソフトウェアパラダイムの概要を紹介します。
論文 参考訳（メタデータ） (2022-10-07T15:55:52Z) - Model Reprogramming: Resource-Efficient Cross-Domain Machine Learning [65.268245109828]
視覚、言語、音声などのデータに富む領域では、ディープラーニングが高性能なタスク固有モデルを提供するのが一般的である。
リソース制限されたドメインでのディープラーニングは、(i)限られたデータ、(ii)制約付きモデル開発コスト、(iii)効果的な微調整のための適切な事前学習モデルの欠如など、多くの課題に直面している。
モデル再プログラミングは、ソースドメインから十分に訓練されたモデルを再利用して、モデル微調整なしでターゲットドメインのタスクを解くことで、リソース効率のよいクロスドメイン機械学習を可能にする。
論文 参考訳（メタデータ） (2022-02-22T02:33:54Z) - Deep Generative Models in Engineering Design: A Review [1.933681537640272]
本稿では,工学設計におけるDeep Generative Learningモデルのレビューと分析を行う。
最近のDGMは、構造最適化、材料設計、形状合成といった設計応用において有望な結果を示している。
論文 参考訳（メタデータ） (2021-10-21T02:50:10Z) - An Experience Report on Machine Learning Reproducibility: Guidance for
Practitioners and TensorFlow Model Garden Contributors [1.177923904173852]
本報告では,最先端の機械学習モデルをモデルガーデンに組み込むのに適した品質で再現するプロセスを定義する。
我々は26人の学生からなるチームでYOLOモデルファミリの実装経験を報告し、開発したツールを共有し、その過程で学んだ教訓を説明する。
論文 参考訳（メタデータ） (2021-07-02T04:32:18Z) - Towards CRISP-ML(Q): A Machine Learning Process Model with Quality
Assurance Methodology [53.063411515511056]
本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。
第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。
第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
論文 参考訳（メタデータ） (2020-03-11T08:25:49Z) - Engineering AI Systems: A Research Agenda [9.84673609667263]
私たちは、企業が機械学習を採用する際に経験する典型的な進化パターンの概念化を提供します。
論文の主なコントリビューションは、MLソリューションを取り巻く重要なエンジニアリング課題の概要を提供する、AIエンジニアリングに関する研究アジェンダである。
論文 参考訳（メタデータ） (2020-01-16T20:29:48Z)
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。