論文の概要: CATBench: A Compiler Autotuning Benchmarking Suite for Black-box Optimization

• arxiv url: http://arxiv.org/abs/2406.17811v1
• Date: Mon, 24 Jun 2024 20:15:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-27 17:46:26.684919
• Title: CATBench: A Compiler Autotuning Benchmarking Suite for Black-box Optimization
• Title（参考訳）: CATBench: ブラックボックス最適化のためのコンパイラ自動ベンチマークスイート
• Authors: Jacob O. Tørring, Carl Hvarfner, Luigi Nardi, Magnus Själander,
• Abstract要約: 我々は、コンパイラ自動チューニングの複雑さを捉える包括的なベンチマークスイートであるCATBenchを紹介する。 CATBenchのベンチマークは、テンソル代数から画像処理、クラスタリングまで、機械学習指向の計算の範囲にまたがっている。 我々はCATBenchをいくつかの最先端アルゴリズムで検証し、その強みと弱点を明らかにした。
• 参考スコア（独自算出の注目度）: 5.909352339240516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian optimization is a powerful method for automating tuning of compilers. The complex landscape of autotuning provides a myriad of rarely considered structural challenges for black-box optimizers, and the lack of standardized benchmarks has limited the study of Bayesian optimization within the domain. To address this, we present CATBench, a comprehensive benchmarking suite that captures the complexities of compiler autotuning, ranging from discrete, conditional, and permutation parameter types to known and unknown binary constraints, as well as both multi-fidelity and multi-objective evaluations. The benchmarks in CATBench span a range of machine learning-oriented computations, from tensor algebra to image processing and clustering, and uses state-of-the-art compilers, such as TACO and RISE/ELEVATE. CATBench offers a unified interface for evaluating Bayesian optimization algorithms, promoting reproducibility and innovation through an easy-to-use, fully containerized setup of both surrogate and real-world compiler optimization tasks. We validate CATBench on several state-of-the-art algorithms, revealing their strengths and weaknesses and demonstrating the suite's potential for advancing both Bayesian optimization and compiler autotuning research.
• Abstract（参考訳）: ベイズ最適化はコンパイラのチューニングを自動化する強力な方法である。 自動チューニングの複雑な状況は、ブラックボックスオプティマイザにとって稀に考慮される構造上の問題をもたらし、標準化されたベンチマークの欠如は、領域内のベイズ最適化の研究を制限している。 CATBenchは、離散、条件、置換パラメータの型から未知のバイナリ制約まで、多要素および多目的評価まで、コンパイラの自動チューニングの複雑さをキャプチャする総合的なベンチマークスイートである。 CATBenchのベンチマークは、テンソル代数から画像処理、クラスタリングまで幅広い機械学習指向の計算に及び、TACOやRISE/ELEVATEといった最先端のコンパイラを使用する。 CATBenchはベイズ最適化アルゴリズムを評価するための統一インターフェースを提供し、サロゲートと実世界のコンパイラ最適化タスクの両方の、使い易く完全にコンテナ化されたセットアップを通じて再現性と革新を促進する。 我々はCATBenchをいくつかの最先端アルゴリズムで検証し、その強みと弱点を明らかにし、ベイズ最適化とコンパイラオートチューニングの両方を前進させる可能性を示した。

関連論文リスト

• GloptiNets: Scalable Non-Convex Optimization with Certificates [61.50835040805378]
  本稿では,ハイパーキューブやトーラス上のスムーズな関数を扱う証明書を用いた非キューブ最適化手法を提案する。 スペクトルの減衰に固有の対象関数の正則性を活用することにより、正確な証明を取得し、高度で強力なニューラルネットワークを活用することができる。
  論文  参考訳（メタデータ） (2023-06-26T09:42:59Z)
• Performance Embeddings: A Similarity-based Approach to Automatic Performance Optimization [71.69092462147292]
  パフォーマンス埋め込みは、アプリケーション間でパフォーマンスチューニングの知識伝達を可能にする。 本研究では, 深層ニューラルネットワーク, 密度およびスパース線形代数合成, および数値風速予測ステンシルのケーススタディにおいて, この伝達チューニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-14T15:51:35Z)
• Quantum-Inspired Optimization over Permutation Groups [0.2294014185517203]
  量子インスパイアされた最適化 (QIO) アルゴリズムは、量子力学的効果を古典的なハードウェアにエミュレートする計算手法である。 我々は、任意の最適化問題を解決するためにQIOツールをカスタマイズするアルゴリズムフレームワークPerm-QIOを開発した。
  論文  参考訳（メタデータ） (2022-12-06T00:02:39Z)
• Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
  興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。 基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。 我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
  論文  参考訳（メタデータ） (2022-09-27T17:51:31Z)
• Improving Nevergrad's Algorithm Selection Wizard NGOpt through Automated Algorithm Configuration [2.649483400176735]
  最先端のアルゴリズム選択ウィザードは複雑で改善が難しい。 本稿では,自動構成方式による性能向上を提案する。
  論文  参考訳（メタデータ） (2022-09-09T17:28:10Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
  バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
  論文  参考訳（メタデータ） (2020-10-15T18:09:48Z)
• Black-Box Optimization Revisited: Improving Algorithm Selection Wizards through Massive Benchmarking [8.874754363200614]
  機械学習のためのブラックボックス最適化の既存の研究は、低い一般化性に悩まされている。 そこで我々は,ブラックボックス最適化の幅広い問題を網羅するベンチマークスイートOptimSuiteを提案する。 ABBOは全てのベンチマークスイートで競合性能を達成する。
  論文  参考訳（メタデータ） (2020-10-08T14:17:30Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)
• Black-box Mixed-Variable Optimisation using a Surrogate Model that Satisfies Integer Constraints [9.655888042539495]
  Mixed-Variable ReLU-based Surrogate Modelling (MVRSM) は、修正線形ユニットの線形結合を利用するサロゲートベースのアルゴリズムである。 この方法は、最大238個の連続変数と整数変数を持ついくつかの合成ベンチマークにおいて、最先端の手法である。
  論文  参考訳（メタデータ） (2020-06-08T12:27:18Z)

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。