論文の概要: FAX: Scalable and Differentiable Federated Primitives in JAX

• arxiv url: http://arxiv.org/abs/2403.07128v1
• Date: Mon, 11 Mar 2024 19:51:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 23:43:40.986690
• Title: FAX: Scalable and Differentiable Federated Primitives in JAX
• Title（参考訳）: FAX:JAXにおけるスケーラブルで差別化可能なフェデレーションプリミティブ
• Authors: Keith Rush, Zachary Charles, Zachary Garrett
• Abstract要約: FAX は JAX ベースのライブラリで,大規模分散処理とフェデレーション処理をサポートするように設計されている。 FAXは、データセンターにおけるフェデレーション計算のための、プログラムが容易で、パフォーマンスが高く、スケーラブルなフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 10.758021887982784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present FAX, a JAX-based library designed to support large-scale distributed and federated computations in both data center and cross-device applications. FAX leverages JAX's sharding mechanisms to enable native targeting of TPUs and state-of-the-art JAX runtimes, including Pathways. FAX embeds building blocks for federated computations as primitives in JAX. This enables three key benefits. First, FAX computations can be translated to XLA HLO. Second, FAX provides a full implementation of federated automatic differentiation, greatly simplifying the expression of federated computations. Last, FAX computations can be interpreted out to existing production cross-device federated compute systems. We show that FAX provides an easily programmable, performant, and scalable framework for federated computations in the data center. FAX is available at https://github.com/google-research/google-research/tree/master/fax .
• Abstract（参考訳）: 本稿では,大規模分散処理とフェデレーション処理をサポートする JAX ベースのライブラリである FAX について述べる。 FAXはJAXのシャーディングメカニズムを利用して、TPUとPathwaysを含む最先端のJAXランタイムのネイティブターゲティングを可能にする。 FAX は JAX のプリミティブとしてフェデレートされた計算のためのビルディングブロックを埋め込んでいる。 これには3つの大きな利点がある。 まず、FAX計算をXLA HLOに変換する。 第二に、faxはフェデレーション自動微分の完全な実装を提供し、フェデレーション計算の表現を大幅に単純化する。 最後に、FAX計算を既存のデバイス間フェデレーション計算システムに解釈することができる。 FAXは、データセンターにおけるフェデレーション計算のための、プログラムが容易で、パフォーマンスが高く、スケーラブルなフレームワークを提供する。 FAXはhttps://github.com/google-research/google-research/tree/master/faxで入手できる。

関連論文リスト

• Benchmarking Predictive Coding Networks -- Made Simple [48.652114040426625]
  まず,性能と簡易性を重視したPCXというライブラリを提案する。 私たちはPCXを使って、コミュニティが実験に使用する大規模なベンチマークを実装しています。
  論文  参考訳（メタデータ） (2024-07-01T10:33:44Z)
• JaxDecompiler: Redefining Gradient-Informed Software Design [0.0]
  JaxDecompilerは、任意のJAX関数を編集可能なPythonコードに変換するツールである。 この記事では、JAX関数を編集可能なPythonコードに変換するツールであるJaxDecompilerを紹介します。
  論文  参考訳（メタデータ） (2024-03-14T20:32:31Z)
• BlackJAX: Composable Bayesian inference in JAX [8.834500692867671]
  BlackJAXはサンプリングと変分推論アルゴリズムを実装するライブラリである。 Pythonで書かれており、JAXを使ってNumpPyのようなサンプルをコンパイルし、CPU、GPU、TPU上で変分メソッドを実行する。
  論文  参考訳（メタデータ） (2024-02-16T16:21:02Z)
• JaxMARL: Multi-Agent RL Environments and Algorithms in JAX [105.343918678781]
  我々は、GPU対応の効率と多くの一般的なMARL環境のサポートを組み合わせた、最初のオープンソースPythonベースのライブラリであるJaxMARLを紹介します。 我々の実験は、壁時計時間の観点から、JAXベースのトレーニングパイプラインが既存のアプローチの約14倍高速であることを示している。 また、人気の高いStarCraft Multi-Agent ChallengeのJAXベースの近似的な再実装であるSMAXを紹介し、ベンチマークする。
  論文  参考訳（メタデータ） (2023-11-16T18:58:43Z)
• JaxPruner: A concise library for sparsity research [46.153423603424]
  JaxPrunerはスパースニューラルネットワーク研究のためのオープンソースライブラリである。 メモリとレイテンシのオーバーヘッドを最小限に抑えながら、一般的なプルーニングとスパーストレーニングアルゴリズムを実装している。
  論文  参考訳（メタデータ） (2023-04-27T10:45:30Z)
• SequeL: A Continual Learning Library in PyTorch and JAX [50.33956216274694]
  SequeLは継続学習のためのライブラリで、PyTorchとJAXフレームワークの両方をサポートする。 それは、正規化ベースのアプローチ、リプレイベースのアプローチ、ハイブリッドアプローチを含む、幅広い連続学習アルゴリズムのための統一インターフェースを提供する。 私たちはSequeLをオープンソースライブラリとしてリリースし、研究者や開発者が自身の目的で簡単にライブラリを実験し拡張することができます。
  論文  参考訳（メタデータ） (2023-04-21T10:00:22Z)
• Extending Compositional Attention Networks for Social Reasoning in Videos [84.12658971655253]
  ビデオにおけるソーシャルインタラクションを推論するタスクのための,新しいディープアーキテクチャを提案する。 構成注意ネットワーク(MAC)の多段階推論機能を活用し,マルチモーダル拡張(MAC-X)を提案する。
  論文  参考訳（メタデータ） (2022-10-03T19:03:01Z)
• SMORE: Knowledge Graph Completion and Multi-hop Reasoning in Massive Knowledge Graphs [147.73127662757335]
  我々は、知識グラフ(KG)におけるシングルホップおよびマルチホップ推論のための最初の汎用フレームワークであるスケーラブルなマルチホップ推論(SMORE)を提案する。 シングルマシンのSMOREはFreebase KG(86Mエンティティ、338Mエッジ)でマルチホップ推論を行うことができる。 SMOREは、従来のマルチホップKGフレームワークよりもスループット(トレーニング速度)を、最小のGPUメモリ要件で2.2倍向上させる。
  論文  参考訳（メタデータ） (2021-10-28T05:02:33Z)
• SymJAX: symbolic CPU/GPU/TPU programming [9.868558660605995]
  SymJAXは、グラフ入力/出力/更新を単純化し、一般的な機械学習およびディープラーニングアプリケーションのための追加機能を提供するJAXのシンボリックプログラミングバージョンである。 ユーザの視点からは、SymJAXはLasagneのようなディープラーニング機能とともに、高速なグラフ最適化/コンパイルと幅広いハードウェアサポートを備えたLa Theanoエクスペリエンスを提供します。
  論文  参考訳（メタデータ） (2020-05-21T13:37:25Z)

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。