論文の概要: Laminar: A New Serverless Stream-based Framework with Semantic Code
Search and Code Completion
- arxiv url: http://arxiv.org/abs/2309.00584v1
- Date: Fri, 1 Sep 2023 17:00:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-04 12:49:37.225285
- Title: Laminar: A New Serverless Stream-based Framework with Semantic Code
Search and Code Completion
- Title(参考訳): laminar: セマンティックコード検索とコード補完を備えた、新しいサーバレスストリームベースのフレームワーク
- Authors: Zaynab Zahra, Zihao Li, Rosa Filgueira
- Abstract要約: Laminarは、並列ストリームベースのデータフローライブラリであるDispel4pyをベースにした、新しいサーバレスフレームワークである。
Laminarは専用のレジストリを通じてストリーミングとコンポーネントを効率的に管理し、サーバレスエクスペリエンスを提供する。
- 参考スコア(独自算出の注目度): 7.292771695228123
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper introduces Laminar, a novel serverless framework based on
dispel4py, a parallel stream-based dataflow library. Laminar efficiently
manages streaming workflows and components through a dedicated registry,
offering a seamless serverless experience. Leveraging large lenguage models,
Laminar enhances the framework with semantic code search, code summarization,
and code completion. This contribution enhances serverless computing by
simplifying the execution of streaming computations, managing data streams more
efficiently, and offering a valuable tool for both researchers and
practitioners.
- Abstract(参考訳): 本稿では、並列ストリームベースのデータフローライブラリであるdispel4pyに基づく、新しいサーバレスフレームワークであるLaminarを紹介する。
laminarは専用のレジストリを通じてストリーミングワークフローとコンポーネントを効率的に管理し、シームレスなサーバレスエクスペリエンスを提供する。
大規模な言語モデルを活用することで、Laminarはセマンティックコード検索、コードの要約、コード補完によってフレームワークを強化する。
この貢献は、ストリーミング計算の実行を単純化し、データストリームをより効率的に管理し、研究者と実践者の両方に価値のあるツールを提供することによって、サーバレスコンピューティングを強化する。
関連論文リスト
- ShuffleBench: A Benchmark for Large-Scale Data Shuffling Operations with
Distributed Stream Processing Frameworks [1.4374467687356276]
本稿では、最新のストリーム処理フレームワークの性能を評価するための新しいベンチマークであるShuffleBenchを紹介する。
ShuffleBenchは、大規模なクラウドオブザーバビリティプラットフォームのほぼリアルタイム分析の要件にインスパイアされている。
その結果,Herzelcastは低レイテンシでデータストリームを処理するのに対して,Flinkは最高スループットを実現していることがわかった。
論文 参考訳(メタデータ) (2024-03-07T15:06:24Z) - Pathway: a fast and flexible unified stream data processing framework
for analytical and Machine Learning applications [7.850979932441607]
Pathwayは新しい統一データ処理フレームワークで、バウンドとアンバウンドのデータストリームの両方でワークロードを実行できる。
本稿では,本システムについて述べるとともに,バッチとストリーミングの両コンテキストにおいて,その性能を示すベンチマーク結果を示す。
論文 参考訳(メタデータ) (2023-07-12T08:27:37Z) - 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) - PARTIME: Scalable and Parallel Processing Over Time with Deep Neural
Networks [68.96484488899901]
PartIMEは、データが継続的にストリーミングされるたびにニューラルネットワークを高速化するように設計されたライブラリです。
PartIMEは、ストリームから利用可能になった時点で、各データサンプルの処理を開始する。
オンライン学習において、PartialIMEと古典的な非並列ニューラル計算を経験的に比較するために実験が行われる。
論文 参考訳(メタデータ) (2022-10-17T14:49:14Z) - Walle: An End-to-End, General-Purpose, and Large-Scale Production System
for Device-Cloud Collaborative Machine Learning [40.09527159285327]
We build the first end-to-end and general-purpose system, called Walle, for device-cloud collaborative machine learning (ML)
Walleはデプロイメントプラットフォームで構成され、MLタスクを10億規模のデバイスに分散する。データパイプラインはタスク入力を効率的に準備し、計算コンテナはクロスプラットフォームで高性能な実行環境を提供する。
我々はWalleを実践的なeコマースアプリケーションシナリオで評価し、その有効性、効率、スケーラビリティを実証する。
論文 参考訳(メタデータ) (2022-05-30T03:43:35Z) - Learning Context-Aware Service Representation for Service Recommendation
in Workflow Composition [6.17189383632496]
本稿では,ワークフロー開発プロセス全体でのサービス推奨に対して,NLPにインスパイアされた新たなアプローチを提案する。
ワークフロー構成プロセスは、ステップワイドでコンテキスト対応のサービス生成手順として形式化される。
サービス埋め込みは、NLPフィールドからディープラーニングモデルを適用することで学習される。
論文 参考訳(メタデータ) (2022-05-24T04:18:01Z) - Enhancing Semantic Code Search with Multimodal Contrastive Learning and
Soft Data Augmentation [50.14232079160476]
コード検索のためのマルチモーダルコントラスト学習とソフトデータ拡張を用いた新しい手法を提案する。
我々は,6つのプログラミング言語を用いた大規模データセットにおけるアプローチの有効性を評価するために,広範囲な実験を行った。
論文 参考訳(メタデータ) (2022-04-07T08:49:27Z) - Nemo: Guiding and Contextualizing Weak Supervision for Interactive Data
Programming [77.38174112525168]
私たちは、WS 学習パイプラインの全体的な生産性を、一般的な WS 監督アプローチと比較して平均20%(最大 47% のタスク)改善する、エンドツーエンドのインタラクティブなスーパービジョンシステムである Nemo を紹介します。
論文 参考訳(メタデータ) (2022-03-02T19:57:32Z) - EfficientFCN: Holistically-guided Decoding for Semantic Segmentation [49.27021844132522]
最先端セマンティックセマンティックセグメンテーションアルゴリズムは主に拡張されたFully Convolutional Networks (DilatedFCN)に基づいている
本稿では,拡張畳み込みのないイメージネット事前学習ネットワークをバックボーンとする,効率的なFCNを提案する。
このようなフレームワークは、計算コストの1/3しか持たない最先端の手法に比べて、同等またはそれ以上の性能を達成する。
論文 参考訳(メタデータ) (2020-08-24T14:48:23Z) - Collaborative Learning for Faster StyleGAN Embedding [127.84690280196597]
本稿では,効率的な埋め込みネットワークと最適化に基づくイテレータからなる新しい協調学習フレームワークを提案する。
埋め込みネットワークを1つのフォワードパスで効率よく高品質の潜伏コードを得ることができる。
論文 参考訳(メタデータ) (2020-07-03T15:27:37Z)
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。