論文の概要: piHyFlow Operational Semantics

• arxiv url: http://arxiv.org/abs/2310.19818v1
• Date: Fri, 20 Oct 2023 17:37:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-05 13:27:44.150598
• Title: piHyFlow Operational Semantics
• Title（参考訳）: piHyFlowオペレーショナルセマンティックス
• Authors: Fernando J. Barros
• Abstract要約: piHyFlowは、一連の通信プロセスを使用してハイブリッドモデルを表現するためのフォーマリズムである。 プロセスはpiHyFlowベースモデルにカプセル化され、共有メモリを介して通信する。 piHyFlowは、モデルが入力インターフェースと出力インターフェースでのみ通信できることを強制することによって、モジュラリティを保証することができる。
• 参考スコア（独自算出の注目度）: 65.268245109828
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulation models have been described using different perspectives, or worldviews. In the process interaction world view (PI), every entity is modeled by a sequence of actions describing its life cycle, offering a comprehensive model that groups the events involving each entity. In this paper we describe piHyFlow, a formalism for representing hybrid models using a set of communicating processes. This set is dynamic, enabling processes to be created and destroyed at runtime. Processes are encapsulated into piHyFlow base models and communicate through shared memory. piHyFlow, however, can guarantee modularity by enforcing that models can only communicate by input and output interfaces. piHyFlow extends current PI approaches by providing support for HyFlow concepts of sampling and dense (continuous) outputs, in addition to the more traditional event-based communication. In this paper we present piHyFlow operational semantics using the concepts of simulator and component.
• Abstract（参考訳）: シミュレーションモデルは異なる視点や世界観を用いて記述されている。 プロセスインタラクションの世界ビュー(PI)では、すべてのエンティティはライフサイクルを記述する一連のアクションによってモデル化され、各エンティティを含むイベントをグループ化する包括的なモデルを提供する。 本稿では,一連の通信プロセスを用いてハイブリッドモデルを表現する形式であるpiHyFlowについて述べる。 このセットは動的で、実行時にプロセスの生成と破棄を可能にする。 プロセスはpiHyFlowベースモデルにカプセル化され、共有メモリを介して通信する。 しかし、piHyFlowは、モデルが入出力インターフェースでのみ通信できることを強制することによって、モジュラリティを保証することができる。 piHyFlowは、より伝統的なイベントベースの通信に加えて、サンプリングと高密度(連続的な)出力のHyFlow概念をサポートすることで、現在のPIアプローチを拡張している。 本稿では,シミュレータとコンポーネントの概念を用いた piHyFlow の操作意味論を提案する。

関連論文リスト

• EventFlow: Forecasting Continuous-Time Event Data with Flow Matching [12.976042923229466]
  本研究では,時間的ポイントプロセスのための非自己回帰生成モデルであるEventFlowを提案する。 我々のモデルはフローマッチングフレームワークの上に構築され、イベント時間を通じて関節分布を直接学習し、自己回帰プロセスをサイドステッピングします。
  論文  参考訳（メタデータ） (2024-10-09T20:57:00Z)
• CaLMFlow: Volterra Flow Matching using Causal Language Models [14.035963716966787]
  CaLMFlowはVolterra積分方程式(VIE)としてフローマッチングをキャストするフレームワークである 本手法は,空間と時間にまたがるトークン化を実現し,これらの領域上でVIEを解く。 単一セル摂動応答予測を含む合成および実世界のデータに対するCaLMFlowの有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-03T05:07:41Z)
• ActionFlow: Equivariant, Accurate, and Efficient Policies with Spatially Symmetric Flow Matching [20.20511152176522]
  ActionFlowは、空間対称性誘導バイアスを統合するポリシークラスである。 表現レベルでは、ActionFlowはSE(3)不変トランスフォーマーアーキテクチャを導入している。 ActionFlowは、最先端の深層生成モデルであるFlow Matchingを活用する。
  論文  参考訳（メタデータ） (2024-09-06T19:30:36Z)
• PeRFlow: Piecewise Rectified Flow as Universal Plug-and-Play Accelerator [73.80050807279461]
  Piecewise Rectified Flow (PeRFlow) は拡散モデルの高速化のためのフローベース手法である。 PeRFlowは数ステップの世代で優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-05-13T07:10:53Z)
• A Partial Replication of MaskFormer in TensorFlow on TPUs for the TensorFlow Model Garden [3.259700715934023]
  本稿では,COCOエコシステム内でPyTorchフレームワークを用いて開発されたMaskFormerモデルを複製する作業について述べる。 レプリケーションや非収束問題,遅いトレーニング,損失関数の適応,TPU固有の機能の統合といった課題に対処する。
  論文  参考訳（メタデータ） (2024-04-29T15:40:40Z)
• Generative Flow Networks for Discrete Probabilistic Modeling [118.81967600750428]
  エネルギーベース生成フローネットワーク(EB-GFN)について述べる。 EB-GFNは高次元離散データのための新しい確率論的モデリングアルゴリズムである。 GFlowNetsは、モード間を混在させるために、大ブロックギブスサンプリングを略して行うことができるかを示す。
  論文  参考訳（メタデータ） (2022-02-03T01:27:11Z)
• OneFlow: Redesign the Distributed Deep Learning Framework from Scratch [17.798586916628174]
  OneFlowは、SBP(スプリット、ブロードキャスト、部分値)の抽象化とアクターモデルに基づく、新しい分散トレーニングフレームワークである。 SBPは既存のフレームワークよりも、データ並列処理やモデル並列処理のプログラミングがずっと簡単になります。 OneFlowは、最先端のフレームワーク上に構築された多くの有名なカスタマイズライブラリよりも優れています。
  論文  参考訳（メタデータ） (2021-10-28T11:32:14Z)
• TeraPipe: Token-Level Pipeline Parallelism for Training Large-Scale Language Models [60.23234205219347]
  TeraPipeは、Transformerベースの言語モデルの同期モデル並列トレーニングのための高性能トークンレベルのパイプライン並列アルゴリズムです。 TeraPipeは、AWSクラスタ上で1750億のパラメータを持つ最大のGPT-3モデルのトレーニングを5.0倍高速化できることを示す。
  論文  参考訳（メタデータ） (2021-02-16T07:34:32Z)
• Task-Oriented Dialogue as Dataflow Synthesis [158.77123205487334]
  本稿では,対話状態がデータフローグラフとして表現されるタスク指向対話へのアプローチについて述べる。 対話エージェントは、各ユーザの発話を、このグラフを拡張するプログラムにマッピングする。 我々は、イベント、天気、場所、人々に関する複雑な対話を特徴とする、新しいデータセットであるSMCalFlowを紹介した。
  論文  参考訳（メタデータ） (2020-09-24T00:35:26Z)
• Normalizing Flows with Multi-Scale Autoregressive Priors [131.895570212956]
  マルチスケール自己回帰前処理(mAR)を通した遅延空間におけるチャネルワイド依存性を導入する。 我々のmARは、分割結合フロー層(mAR-SCF)を持つモデルに先立って、複雑なマルチモーダルデータの依存関係をよりよく捉えます。 我々は,mAR-SCFにより画像生成品質が向上し,FIDとインセプションのスコアは最先端のフローベースモデルと比較して向上したことを示す。
  論文  参考訳（メタデータ） (2020-04-08T09:07:11Z)

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。