論文の概要: FuzzyFlow: Leveraging Dataflow To Find and Squash Program Optimization
Bugs
- arxiv url: http://arxiv.org/abs/2306.16178v1
- Date: Wed, 28 Jun 2023 13:00:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 18:45:16.212298
- Title: FuzzyFlow: Leveraging Dataflow To Find and Squash Program Optimization
Bugs
- Title(参考訳): FuzzyFlow: プログラム最適化バグの検索とスワッシュにDataflowを活用する
- Authors: Philipp Schaad and Timo Schneider and Tal Ben-Nun and Alexandru
Calotoiu and Alexandros Nikolaos Ziogas and Torsten Hoefler
- Abstract要約: FuzzyFlowはプログラム最適化をテストするために設計されたフォールトローカライゼーションとテストケース抽出フレームワークである。
我々は、データフロープログラム表現を活用して、完全に再現可能なシステム状態と最適化のエリア・オブ・エフェクトをキャプチャする。
テスト時間を削減するため,テスト入力を最小限に抑えるアルゴリズムを設計し,再計算のためのメモリ交換を行う。
- 参考スコア(独自算出の注目度): 92.47146416628965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The current hardware landscape and application scale is driving performance
engineers towards writing bespoke optimizations. Verifying such optimizations,
and generating minimal failing cases, is important for robustness in the face
of changing program conditions, such as inputs and sizes. However, isolation of
minimal test-cases from existing applications and generating new configurations
are often difficult due to side effects on the system state, mostly related to
dataflow. This paper introduces FuzzyFlow: a fault localization and test case
extraction framework designed to test program optimizations. We leverage
dataflow program representations to capture a fully reproducible system state
and area-of-effect for optimizations to enable fast checking for semantic
equivalence. To reduce testing time, we design an algorithm for minimizing test
inputs, trading off memory for recomputation. We demonstrate FuzzyFlow on
example use cases in real-world applications where the approach provides up to
528 times faster optimization testing and debugging compared to traditional
approaches.
- Abstract(参考訳): 現在のハードウェアランドスケープとアプリケーションスケールは、パフォーマンスエンジニアをbespoke最適化を書くよう駆り立てています。
このような最適化の検証と、最小限の失敗事例の生成は、入力やサイズといったプログラム条件の変更に対して、堅牢性において重要である。
しかしながら、既存のアプリケーションから最小限のテストケースを分離し、新しい構成を生成することは、主にデータフローに関連するシステム状態に副作用があるため、しばしば困難である。
本稿では,プログラム最適化をテストするために設計された障害局所化およびテストケース抽出フレームワークであるFuzzyFlowを紹介する。
我々は、データフロープログラム表現を利用して、完全に再現可能なシステム状態をキャプチャし、その領域を最適化し、意味同値の高速チェックを可能にする。
テスト時間を削減するため,テスト入力を最小限に抑えるアルゴリズムを設計し,再計算のためのメモリ交換を行う。
FuzzyFlowは、従来のアプローチに比べて最大528倍高速な最適化テストとデバッギングを提供する実世界のアプリケーションのユースケースを例に示す。
関連論文リスト
- Practical Layout-Aware Analog/Mixed-Signal Design Automation with
Bayesian Neural Networks [5.877728608070716]
多くの学習ベースのアルゴリズムは数千のシミュレーションデータポイントを必要とするが、回路をシミュレートするには高価ではない。
そこで本研究では,少量のデータを用いて学習可能なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-11-27T19:02:43Z) - Diffusion Generative Inverse Design [28.04683283070957]
逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。
学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。
本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-09-05T08:32:07Z) - AccFlow: Backward Accumulation for Long-Range Optical Flow [70.4251045372285]
本稿では、長距離光フロー推定のためのAccFlowと呼ばれる新しいリカレントフレームワークを提案する。
従来の前方累積よりも後方累積の方が優れていることを示す。
長距離光流量推定におけるAccFlowの有効性を検証する実験
論文 参考訳(メタデータ) (2023-08-25T01:51:26Z) - AnyFlow: Arbitrary Scale Optical Flow with Implicit Neural
Representation [17.501820140334328]
我々は,様々な解像度の画像から正確な流れを推定するロバストなネットワークであるAnyFlowを紹介した。
我々は,KITTIデータセット上でのクロスデータセット一般化の最先端性能を確立する。
論文 参考訳(メタデータ) (2023-03-29T07:03:51Z) - A Particle-based Sparse Gaussian Process Optimizer [5.672919245950197]
本稿では,下降の動的過程を利用した新しいスワム・スワムベースのフレームワークを提案する。
このアプローチの最大の利点は、降下を決定する前に現在の状態についてより深い探索を行うことである。
論文 参考訳(メタデータ) (2022-11-26T09:06:15Z) - Fast Bayesian Optimization of Needle-in-a-Haystack Problems using
Zooming Memory-Based Initialization [73.96101108943986]
Needle-in-a-Haystack問題は、データセットのサイズに対して最適な条件が極端に不均衡であるときに発生する。
本稿では,従来のベイズ最適化原理に基づくズームメモリに基づく初期化アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-08-26T23:57:41Z) - Fighting the curse of dimensionality: A machine learning approach to
finding global optima [77.34726150561087]
本稿では,構造最適化問題におけるグローバル最適化の方法を示す。
特定のコスト関数を利用することで、最適化手順が確立された場合と比較して、グローバルをベストに得るか、最悪の場合、優れた結果を得るかのどちらかを得る。
論文 参考訳(メタデータ) (2021-10-28T09:50:29Z) - GRAPHSPY: Fused Program Semantic-Level Embedding via Graph Neural
Networks for Dead Store Detection [4.82596017481926]
低オーバーヘッドで不必要なメモリ操作をインテリジェントに識別するための学習精度の高いアプローチを提案する。
プログラムセマンティクスの抽出にいくつかの有意なグラフニューラルネットワークモデルを適用することにより,新しいハイブリッドなプログラム埋め込み手法を提案する。
その結果、我々のモデルは精度の90%を達成でき、最先端ツールのオーバーヘッドの半分程度しか発生しないことがわかった。
論文 参考訳(メタデータ) (2020-11-18T19:17:15Z) - Self Normalizing Flows [65.73510214694987]
本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。
これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。
実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
論文 参考訳(メタデータ) (2020-11-14T09:51:51Z) - Fast Rates for Contextual Linear Optimization [52.39202699484225]
提案手法は, 下流決定性能を直接最適化する手法よりもはるかに高速な, 後悔の収束率を実現する。
予測モデルは、既存のツールを使ったトレーニングが簡単かつ高速で、解釈が簡単で、私たちが示しているように、非常にうまく機能する決定につながる。
論文 参考訳(メタデータ) (2020-11-05T18:43:59Z)
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。