論文の概要: GiPH: Generalizable Placement Learning for Adaptive Heterogeneous Computing

• arxiv url: http://arxiv.org/abs/2305.14562v1
• Date: Tue, 23 May 2023 23:02:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-25 21:28:12.232154
• Title: GiPH: Generalizable Placement Learning for Adaptive Heterogeneous Computing
• Title（参考訳）: GiPH: 適応的不均一コンピューティングのための一般化可能な配置学習
• Authors: Yi Hu, Chaoran Zhang, Edward Andert, Harshul Singh, Aviral Shrivastava, James Laudon, Yanqi Zhou, Bob Iannucci, Carlee Joe-Wong
• Abstract要約: そこで我々は,動的デバイスクラスタに一般化するポリシを学習するGiPHという新しい学習手法を提案する。 GiPHは他の検索ベースの配置ポリシーよりも最大3倍速く、完了時間の最大30.5%で配置を見つける。
• 参考スコア（独自算出の注目度）: 19.354764353189758
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Careful placement of a computational application within a target device cluster is critical for achieving low application completion time. The problem is challenging due to its NP-hardness and combinatorial nature. In recent years, learning-based approaches have been proposed to learn a placement policy that can be applied to unseen applications, motivated by the problem of placing a neural network across cloud servers. These approaches, however, generally assume the device cluster is fixed, which is not the case in mobile or edge computing settings, where heterogeneous devices move in and out of range for a particular application. We propose a new learning approach called GiPH, which learns policies that generalize to dynamic device clusters via 1) a novel graph representation gpNet that efficiently encodes the information needed for choosing a good placement, and 2) a scalable graph neural network (GNN) that learns a summary of the gpNet information. GiPH turns the placement problem into that of finding a sequence of placement improvements, learning a policy for selecting this sequence that scales to problems of arbitrary size. We evaluate GiPH with a wide range of task graphs and device clusters and show that our learned policy rapidly find good placements for new problem instances. GiPH finds placements with up to 30.5% lower completion times, searching up to 3X faster than other search-based placement policies.
• Abstract（参考訳）: ターゲットデバイスクラスタ内の計算アプリケーションを注意深く配置することは、アプリケーション完了時間の短縮に不可欠である。 この問題はnpの硬さと組合せの性質から難しい。 近年,クラウドサーバ間でニューラルネットワークを配置する問題に動機付けられた,未発見のアプリケーションに適用可能な配置方針を学ぶための学習ベースのアプローチが提案されている。 しかし、これらのアプローチは一般的にデバイスクラスタが固定されていると仮定するが、これはモバイルやエッジコンピューティングの設定ではそうではない。 動的デバイスクラスタに一般化するポリシを学習するGiPHという新しい学習手法を提案する。 1)適切な配置を選択するために必要な情報を効率的に符号化する新しいグラフ表現gpNet 2) gpNet情報の要約を学習するスケーラブルグラフニューラルネットワーク(GNN)。 GiPHは配置問題を、任意のサイズの問題にスケールするこのシーケンスを選択するためのポリシーを学ぶことで、配置改善のシーケンスを見つける方法に転換する。 タスクグラフとデバイスクラスタの広い範囲でGiPHを評価し,学習したポリシが新たな問題インスタンスの適切な配置を迅速に見つけることを示す。 GiPHは他の検索ベースの配置ポリシーよりも最大3倍速く、完了時間の最大30.5%で配置を見つける。

関連論文リスト

• AANet: Aggregation and Alignment Network with Semi-hard Positive Sample Mining for Hierarchical Place Recognition [48.043749855085025]
  視覚的位置認識(VPR)はロボット工学におけるホットスポットの一つで、視覚情報を用いてロボットの位置を特定する。 本稿では,アグリゲーションモジュールを介して候補を検索するためのグローバルな特徴を抽出できる統一ネットワークを提案する。 また、より堅牢なVPRネットワークをトレーニングするために、適切なハード正のイメージを選択するためのセミハード正のサンプルマイニング(ShPSM)戦略を提案する。
  論文  参考訳（メタデータ） (2023-10-08T14:46:11Z)
• The Map Equation Goes Neural: Mapping Network Flows with Graph Neural Networks [0.716879432974126]
  コミュニティ検出は、教師なしのデータ探索と、ネットワーク化されたシステムの組織構造を明らかにするために不可欠なツールである。 本研究では,非教師付きコミュニティ検出のための一般的な情報理論的目的関数であるマップ方程式を考察し,下降による勾配の微分可能なテンソル形式で表現する。 我々の定式化は、任意のニューラルネットワークアーキテクチャと互換性のあるマップ方程式を変換し、エンドツーエンドの学習を可能にし、ノード機能を導入し、クラスタの最適な数を自動的に選択します。
  論文  参考訳（メタデータ） (2023-10-02T12:32:18Z)
• Adaptive Self-supervision Algorithms for Physics-informed Neural Networks [59.822151945132525]
  物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。 これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。 モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
  論文  参考訳（メタデータ） (2022-07-08T18:17:06Z)
• Incremental Ensemble Gaussian Processes [53.3291389385672]
  本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。 各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。 新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
  論文  参考訳（メタデータ） (2021-10-13T15:11:25Z)
• Generalized Learning Vector Quantization for Classification in Randomized Neural Networks and Hyperdimensional Computing [4.4886210896619945]
  本稿では,トレーニング中の計算コストの高い行列操作を回避する改良型RVFLネットワークを提案する。 提案手法は,UCI Machine Learning Repositoryから取得したデータセットの集合に対して,最先端の精度を達成した。
  論文  参考訳（メタデータ） (2021-06-17T21:17:17Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)
• Adaptive Graph Diffusion Networks with Hop-wise Attention [1.2183405753834562]
  ホップワイド・アテンション(AGDNs-HA)を用いた適応グラフ拡散ネットワークを提案する。 提案手法は,半教師付きノード分類タスクによる標準データセットの大幅な改善を実現する。
  論文  参考訳（メタデータ） (2020-12-30T03:43:04Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)

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。