論文の概要: Application of the Cyberinfrastructure Production Function Model to R1 Institutions

• arxiv url: http://arxiv.org/abs/2501.10264v1
• Date: Fri, 17 Jan 2025 15:45:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 14:00:19.260841
• Title: Application of the Cyberinfrastructure Production Function Model to R1 Institutions
• Title（参考訳）: サイバーインフラストラクチャー生産機能モデルのR1施設への適用
• Authors: Preston M. Smith, Jill Gemmill, David Y. Hancock, Brian W. O'Shea, Winona Snapp-Childs, James Wilgenbusch,
• Abstract要約: 本研究は, 経済における生産機能モデルの概念を応用し, 研究計算への投資価値を定量化するためのモデルの構築に関する過去の研究が, 5つの大学より広い範囲に一般化可能であるかを評価する。 このモデルが一般化され,計算機資源やスタッフの追加による制度的利益が肯定的であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.5277756703318045
• License:
• Abstract: High-performance computing (HPC) is widely used in higher education for modeling, simulation, and AI applications. A critical piece of infrastructure with which to secure funding, attract and retain faculty, and teach students, supercomputers come with high capital and operating costs that must be considered against other competing priorities. This study applies the concepts of the production function model from economics to evaluate if previous research on building a model for quantifying the value of investing in research computing is generalizable to a wider set of 5 universities. We show that this model does appear to generalize, showing positive institutional returns from the addition of computing resources and staff. We do, however, find that the relative relationships between model inputs and outputs vary across institutions, which can often be attributed to understandable institution-specific factors.
• Abstract（参考訳）: ハイパフォーマンスコンピューティング(HPC)は、モデリング、シミュレーション、AIアプリケーションのための高等教育で広く使われている。 資金を確保し、教職を引きつけ、学生に教える重要なインフラの1つとして、スーパーコンピュータには、他の競合する優先事項に対して考慮すべき高い資本と運用コストが伴う。 本研究は, 経済における生産機能モデルの概念を応用し, 研究計算への投資価値を定量化するためのモデルの構築に関する過去の研究が, 5つの大学より広い範囲に一般化可能であるかを評価する。 我々は,このモデルを一般化し,計算機資源とスタッフの追加による制度的利益を肯定的に示すことを示す。 しかし、モデル入力とアウトプットの相対関係は機関によって異なり、しばしば理解可能な機関固有の要因に起因していると考えられる。

関連論文リスト

• Enhancing the Efficiency and Accuracy of Underlying Asset Reviews in Structured Finance: The Application of Multi-agent Framework [3.022596401099308]
  AIは、ローンアプリケーションと銀行のステートメント間の情報の検証を効果的に自動化できることを示します。 この研究は、手動エラーを最小限に抑え、デューディリジェンスを合理化するAIの可能性を強調し、財務文書分析とリスク管理におけるAIの幅広い応用を示唆している。
  論文  参考訳（メタデータ） (2024-05-07T13:09:49Z)
• The Compute Divide in Machine Learning: A Threat to Academic Contribution and Scrutiny? [1.0985060632689174]
  計算の偏差は、計算集約的な研究トピックにおける学術のみの研究チームの表現の減少と一致していることを示す。 この傾向から生じる課題に対処するため、留意的に学術的な洞察を広めるためのアプローチを推奨する。
  論文  参考訳（メタデータ） (2024-01-04T01:26:11Z)
• Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
  生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。 この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。 これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。 本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
  論文  参考訳（メタデータ） (2023-11-28T15:09:36Z)
• A Survey of Serverless Machine Learning Model Inference [0.0]
  ジェネレーティブAI、コンピュータビジョン、自然言語処理は、AIモデルをさまざまな製品に統合するきっかけとなった。 本調査は,大規模ディープラーニングサービスシステムにおける新たな課題と最適化の機会を要約し,分類することを目的としている。
  論文  参考訳（メタデータ） (2023-11-22T18:46:05Z)
• Generative Machine Learning for Multivariate Equity Returns [0.0]
  本研究では,条件付き重み付きオートエンコーダと条件付き正規化フローの有効性について検討した。 私たちが取り組んだ主な問題は、S&P 500の全てのメンバーの関節分布をモデル化すること、すなわち500次元の関節分布を学習することである。 この生成モデルは、現実的な合成データの生成、ボラティリティと相関推定、リスク分析、ポートフォリオ最適化など、金融に幅広い応用があることが示される。
  論文  参考訳（メタデータ） (2023-11-21T18:41:48Z)
• Refined Mechanism Design for Approximately Structured Priors via Active Regression [50.71772232237571]
  我々は、大量の商品を戦略的入札者に販売する収益を最大化する販売業者の問題を考える。 この設定の最適かつほぼ最適のメカニズムは、特徴付けや計算が難しいことで有名である。
  論文  参考訳（メタデータ） (2023-10-11T20:34:17Z)
• Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
  我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。 実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
  論文  参考訳（メタデータ） (2022-10-22T14:47:11Z)
• Analyzing Machine Learning Models for Credit Scoring with Explainable AI and Optimizing Investment Decisions [0.0]
  本稿では、説明可能なAI(XAI)の実践に関連する2つの異なる質問について検討する。 この研究では、単一分類器(論理回帰、決定木、LDA、QDA)、異種アンサンブル(AdaBoost、ランダムフォレスト)、シーケンシャルニューラルネットワークなど、さまざまな機械学習モデルを比較した。 LIMEとSHAPの2つの高度なポストホックモデル説明可能性技術を用いて、MLベースのクレジットスコアリングモデルを評価する。
  論文  参考訳（メタデータ） (2022-09-19T21:44:42Z)
• Model Reprogramming: Resource-Efficient Cross-Domain Machine Learning [65.268245109828]
  視覚、言語、音声などのデータに富む領域では、ディープラーニングが高性能なタスク固有モデルを提供するのが一般的である。 リソース制限されたドメインでのディープラーニングは、(i)限られたデータ、(ii)制約付きモデル開発コスト、(iii)効果的な微調整のための適切な事前学習モデルの欠如など、多くの課題に直面している。 モデル再プログラミングは、ソースドメインから十分に訓練されたモデルを再利用して、モデル微調整なしでターゲットドメインのタスクを解くことで、リソース効率のよいクロスドメイン機械学習を可能にする。
  論文  参考訳（メタデータ） (2022-02-22T02:33:54Z)
• On the Opportunities and Risks of Foundation Models [256.61956234436553]
  これらのモデルの基礎モデルは、批判的に中心的だが不完全な性格を根底から立証するものです。 本報告では,基礎モデルの可能性とリスクについて概説する。 これらの疑問に対処するためには、基礎モデルに関する重要な研究の多くは、深い学際的なコラボレーションが必要であると信じている。
  論文  参考訳（メタデータ） (2021-08-16T17:50:08Z)
• Distributed Deep Learning in Open Collaborations [49.240611132653456]
  協調学習に特化して設計された新しいアルゴリズムフレームワークを提案する。 現実的な条件下でのSwaVとALBERTの事前学習に対するアプローチの有効性を実証し,コストのごく一部で従来の設定に匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2021-06-18T16:23:13Z)

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。