論文の概要: Asynchronous Distributed Genetic Algorithms with Javascript and JSON

• arxiv url: http://arxiv.org/abs/2401.17234v1
• Date: Tue, 30 Jan 2024 18:23:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-31 13:40:35.495732
• Title: Asynchronous Distributed Genetic Algorithms with Javascript and JSON
• Title（参考訳）: JavascriptとJSONによる非同期分散遺伝的アルゴリズム
• Authors: Juan Juli\'an Merelo and Pedro A. Castillo and Juan Luis Jim\'enez Laredo and Antonio M. Mora and Alberto Prieto
• Abstract要約: ユビキタスなWebブラウザの計算機能を利用する分散進化計算システムを提案する。 本稿では,コンピュータが社会的活動となり,本質的に予測不能となるため,この種の仮想コンピュータの性能について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In a connected world, spare CPU cycles are up for grabs, if you only make its obtention easy enough. In this paper we present a distributed evolutionary computation system that uses the computational capabilities of the ubiquituous web browser. Using Asynchronous Javascript and JSON (Javascript Object Notation, a serialization protocol) allows anybody with a web browser (that is, mostly everybody connected to the Internet) to participate in a genetic algorithm experiment with little effort, or none at all. Since, in this case, computing becomes a social activity and is inherently impredictable, in this paper we will explore the performance of this kind of virtual computer by solving simple problems such as the Royal Road function and analyzing how many machines and evaluations it yields. We will also examine possible performance bottlenecks and how to solve them, and, finally, issue some advice on how to set up this kind of experiments to maximize turnout and, thus, performance.
• Abstract（参考訳）: 接続された世界では、余分なCPUサイクルをつかむための準備が整っている。 本稿では,ユビキタスWebブラウザの計算機能を利用した分散進化計算システムを提案する。 Asynchronous JavascriptとJSON(Javascript Object Notation、シリアライズプロトコル)を使用することで、Webブラウザ(つまり、インターネットに接続されたほぼすべての人)を持つ誰でも、ほとんど努力せずに遺伝的アルゴリズム実験に参加できる。 この場合、計算は社会的活動となり、本質的に予測不能となるため、Royal Road関数のような単純な問題を解き、それがもたらすマシンの数や評価を分析することで、この種の仮想コンピュータの性能について検討する。 また、パフォーマンスボトルネックの可能性や、その解決方法についても検討し、最後に、このような実験をどのようにセットアップしてターンアウトを最大化し、パフォーマンスを最大化するかについてアドバイスします。

関連論文リスト

• Pushing the Limits: Concurrency Detection in Acyclic Sound Free-Choice Workflow Nets in $O(P^2 + T^2)$ [0.8192907805418583]
  どの場所とトランジションを並列に実行できるかを知ることは、計算ネットを理解するのに役立つ。 Kovalyov と Esparza は、Obig((P+T)TP2big)$ のすべての並列な場所をライブおよび有界ネットで計算するアルゴリズムを開発した。 本稿では,検出アルゴリズムのパレットとコンカレントパス(CP)アルゴリズムを補完する。
  論文  参考訳（メタデータ） (2024-01-29T12:11:34Z)
• Randomized Polar Codes for Anytime Distributed Machine Learning [66.46612460837147]
  本稿では,低速な計算ノードに対して堅牢で,線形演算の近似計算と精度の両立が可能な分散コンピューティングフレームワークを提案する。 本稿では,復号化のための計算複雑性を低く保ちながら,実数値データを扱うための逐次復号アルゴリズムを提案する。 大規模行列乗算やブラックボックス最適化など,様々な文脈において,このフレームワークの潜在的な応用を実証する。
  論文  参考訳（メタデータ） (2023-09-01T18:02:04Z)
• Performance and Energy Consumption of Parallel Machine Learning Algorithms [0.0]
  機械学習モデルは、様々な現実世界のアプリケーションで顕著な成功を収めた。 機械学習のモデルトレーニングには、大規模データセットと複数のイテレーションが必要である。 トレーニングアルゴリズムの並列化は、トレーニングのプロセスを高速化するための一般的な戦略である。
  論文  参考訳（メタデータ） (2023-05-01T13:04:39Z)
• Improving Inference Performance of Machine Learning with the Divide-and-Conquer Principle [0.0]
  多くの一般的な機械学習モデルは、CPUにデプロイすると、スケールが悪くなります。 本稿では,この問題に対処するための分枝・分枝原理に基づく,単純かつ効果的なアプローチを提案する。 人気の高いOnnxRuntimeフレームワークでこのアイデアを実装し、いくつかのユースケースでその有効性を評価します。
  論文  参考訳（メタデータ） (2023-01-12T15:55:12Z)
• The Basis of Design Tools for Quantum Computing: Arrays, Decision Diagrams, Tensor Networks, and ZX-Calculus [55.58528469973086]
  量子コンピュータは、古典的コンピュータが決して起こらない重要な問題を効率的に解決することを約束する。 完全に自動化された量子ソフトウェアスタックを開発する必要がある。 この研究は、今日のツールの"内部"の外観を提供し、量子回路のシミュレーション、コンパイル、検証などにおいてこれらの手段がどのように利用されるかを示す。
  論文  参考訳（メタデータ） (2023-01-10T19:00:00Z)
• 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)
• Distributed Optimization using Heterogeneous Compute Systems [0.0]
  計算能力の異なる労働者の分散システムにおけるディープニューラルネットワークのトレーニングを検討する。 同期分散トレーニングの簡単な実装により、より高速なワーカは、最も遅いワーカが処理を完了するのを待つことになる。 トレーニング中に各作業員に割り当てられたデータを動的に調整することを提案する。
  論文  参考訳（メタデータ） (2021-10-03T11:21:49Z)
• Online training for high-performance analogue readout layers in photonic reservoir computers [2.6104700758143666]
  貯留層コンピューティング(Reservoir Computing)は、時間依存の信号を処理するためのバイオインスパイアされたコンピューティングパラダイムである。 これらの実装の主なボトルネックは、遅いオフラインの事後処理に基づく読み出し層である。 本稿では,これらの問題を解決するためのオンライントレーニングを提案する。
  論文  参考訳（メタデータ） (2020-12-19T07:12:26Z)
• Fitting the Search Space of Weight-sharing NAS with Graph Convolutional Networks [100.14670789581811]
  サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。 この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
  論文  参考訳（メタデータ） (2020-04-17T19:12:39Z)
• Einsum Networks: Fast and Scalable Learning of Tractable Probabilistic Circuits [99.59941892183454]
  我々は,PC用の新しい実装設計であるEinsum Networks (EiNets)を提案する。 中心となるのは、E EiNets は単一のモノリシックな einsum-operation に多数の算術演算を組み合わせている。 本稿では,PCにおける予測最大化(EM)の実装を,自動微分を利用した簡易化が可能であることを示す。
  論文  参考訳（メタデータ） (2020-04-13T23:09:15Z)
• Accelerating Feedforward Computation via Parallel Nonlinear Equation Solving [106.63673243937492]
  ニューラルネットワークの評価や自己回帰モデルからのサンプリングなどのフィードフォワード計算は、機械学習においてユビキタスである。 本稿では,非線形方程式の解法としてフィードフォワード計算の課題を定式化し,ジャコビ・ガウス・シーデル固定点法とハイブリッド法を用いて解を求める。 提案手法は, 並列化可能な繰り返し回数の削減(あるいは等値化)により, 元のフィードフォワード計算と全く同じ値が与えられることを保証し, 十分な並列化計算能力を付与する。
  論文  参考訳（メタデータ） (2020-02-10T10:11:31Z)

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。