論文の概要: I've Got 99 Problems But FLOPS Ain't One

• arxiv url: http://arxiv.org/abs/2407.12819v2
• Date: Wed, 23 Oct 2024 14:00:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-08 20:25:29.652957
• Title: I've Got 99 Problems But FLOPS Ain't One
• Title（参考訳）: 99の問題があるが、FLOPSは一つではない
• Authors: Alexandru M. Gherghescu, Vlad-Andrei Bădoiu, Alexandru Agache, Mihai-Valentin Dumitru, Iuliu Vasilescu, Radu Mantu, Costin Raiciu,
• Abstract要約: 私たちは、機械学習アプリケーションのための1000億ドルのデータセンターを構築するための公開計画から始まり、関連する研究方向を見つけるために、従来からあるアプローチを取っています。 データセンターのようなワークロードが持つものを見つけ、ネットワーク研究に焦点をあてて、その課題を探求します。 我々は、データセンターの構築とそのようなモデルの訓練は技術的に可能であると結論づけるが、これはDC間通信のための新しい広域トランスポート、マルチパストランスポート、および新しいデータセンタートポロジを必要とする。
• 参考スコア（独自算出の注目度）: 70.3084616806354
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperscalers dominate the landscape of large network deployments, yet they rarely share data or insights about the challenges they face. In light of this supremacy, what problems can we find to solve in this space? We take an unconventional approach to find relevant research directions, starting from public plans to build a $100 billion datacenter for machine learning applications. Leveraging the language models scaling laws, we discover what workloads such a datacenter might carry and explore the challenges one may encounter in doing so, with a focus on networking research. We conclude that building the datacenter and training such models is technically possible, but this requires novel wide-area transports for inter-DC communication, a multipath transport and novel datacenter topologies for intra-datacenter communication, high speed scale-up networks and transports, outlining a rich research agenda for the networking community.
• Abstract（参考訳）: ハイパースケーラは大規模なネットワーク展開の状況を支配していますが、直面する課題に関するデータや洞察を共有することはめったにありません。 この優位性を考慮して、この分野で解決すべき問題は何か? 私たちは、機械学習アプリケーションのための1000億ドルのデータセンターを構築するための公開計画から始まり、関連する研究方向を見つけるために、従来からあるアプローチを取っています。 法律をスケールする言語モデルを活用することで、データセンターのようなワークロードが持つものを見つけ、ネットワーク研究に焦点をあてて、その上で直面する課題を探求します。 我々は、データセンターの構築とそのようなモデルの訓練は技術的に可能であると結論づけるが、これはDC間通信のための新しい広域輸送、マルチパストランスポート、データセンター内通信のための新しいデータセンタートポロジ、高速スケールアップネットワークおよびトランスポート、ネットワークコミュニティのための豊富な研究課題を概説する。

関連論文リスト

• Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning [72.86540018081531]
  ラベルなしの動作計画では、衝突回避を確保しながら、ロボットのセットを目標の場所に割り当てる。 この問題は、探査、監視、輸送などの応用において、マルチロボットシステムにとって不可欠なビルディングブロックを形成している。 この問題に対処するために、各ロボットは、その400ドルのアネレストロボットと$k$アネレストターゲットの位置のみを知っている分散環境で対処する。
  論文  参考訳（メタデータ） (2024-09-29T23:57:25Z)
• Prioritising Interactive Flows in Data Center Networks With Central Control [0.0]
  データセンターネットワークにおける対話型フローの優先順位付けを支援する中央制御器に関する2つの問題に対処する。 論文の前半では,ソフトウェア定義ネットワークにおける渋滞制御の問題に対処する。 本稿では,ネットワークのグローバルビューを持つコントローラが,エンドTCPホストの混雑制御決定に積極的に参加するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-27T07:15:15Z)
• Machine Learning-Based User Scheduling in Integrated Satellite-HAPS-Ground Networks [82.58968700765783]
  第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。 本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
  論文  参考訳（メタデータ） (2022-05-27T13:09:29Z)
• A review of Federated Learning in Intrusion Detection Systems for IoT [0.15469452301122172]
  侵入検知システムは、環境中の異常を検索するデータ分析を行うインテリジェントシステムへと進化している。 ディープラーニング技術は、より複雑で効果的な脅威検出モデルを構築するための扉を開いた。 現在のアプローチは、すべてのパーティからデータを受け取る強力な集中型サーバに依存しています。 本稿では,侵入検出分野におけるフェデレートラーニング手法の適用に焦点を当てた。
  論文  参考訳（メタデータ） (2022-04-26T17:00:07Z)
• Machine Learning Empowered Intelligent Data Center Networking: A Survey [35.55535885962517]
  本稿では,機械学習のデータセンターネットワークへの応用を包括的に検討する。 フロー予測、フロー分類、ロードバランシング、リソース管理、ルーティング最適化、渋滞制御をカバーしている。 我々はREBEL-3Sと呼ばれる品質評価基準を設計し、これらの研究の長所と短所を公平に測定する。
  論文  参考訳（メタデータ） (2022-02-28T05:27:22Z)
• Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
  グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。 当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。 我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
  論文  参考訳（メタデータ） (2021-03-08T21:48:55Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)
• Scalable Learning Paradigms for Data-Driven Wireless Communication [45.03425546213185]
  我々は,スケーラブルなデータ駆動無線ネットワークの構築ブロックについて,体系的な議論を行うことを目指している。 一方、グローバルな視点から、スケーラブルなデータ駆動システムの先見的なアーキテクチャとコンピューティングフレームワークについて論じる。 一方,各ノードにおける学習アルゴリズムとモデル学習戦略を局所的な視点から検討する。
  論文  参考訳（メタデータ） (2020-03-01T12:13:58Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。