Fugu-MT 論文翻訳(概要): Demystifying the Evolution of Neural Networks with BOM Analysis: Insights from a Large-Scale Study of 55,997 GitHub Repositories

論文の概要: Demystifying the Evolution of Neural Networks with BOM Analysis: Insights from a Large-Scale Study of 55,997 GitHub Repositories

arxiv url: http://arxiv.org/abs/2509.20010v1
Date: Wed, 24 Sep 2025 11:29:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-25 20:53:19.794973
Title: Demystifying the Evolution of Neural Networks with BOM Analysis: Insights from a Large-Scale Study of 55,997 GitHub Repositories
Title（参考訳）: BOM分析によるニューラルネットワークの進化の謎:GitHubリポジトリ55,997の大規模調査から
Authors: Xiaoning Ren, Yuhang Ye, Xiongfei Wu, Yueming Wu, Yinxing Xue,
Abstract要約: 本稿では,NNソフトウェアに適した包括的データセット構造であるNNBOM(Neural Network Bill of Materials)を紹介する。 55,997のキュレートされたPyTorch GitHubリポジトリから大規模なNNBOMデータベースを作成し、TPL、PTM、モジュールをカタログ化しています。ソフトウェアスケール、コンポーネントの再利用、ドメイン間の依存性に関する、ニューラルネットワークソフトウェア進化に関する包括的な実証的研究を行います。
参考スコア（独自算出の注目度）: 7.63796813801299
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Neural networks have become integral to many fields due to their exceptional performance. The open-source community has witnessed a rapid influx of neural network (NN) repositories with fast-paced iterations, making it crucial for practitioners to analyze their evolution to guide development and stay ahead of trends. While extensive research has explored traditional software evolution using Software Bill of Materials (SBOMs), these are ill-suited for NN software, which relies on pre-defined modules and pre-trained models (PTMs) with distinct component structures and reuse patterns. Conceptual AI Bills of Materials (AIBOMs) also lack practical implementations for large-scale evolutionary analysis. To fill this gap, we introduce the Neural Network Bill of Material (NNBOM), a comprehensive dataset construct tailored for NN software. We create a large-scale NNBOM database from 55,997 curated PyTorch GitHub repositories, cataloging their TPLs, PTMs, and modules. Leveraging this database, we conduct a comprehensive empirical study of neural network software evolution across software scale, component reuse, and inter-domain dependency, providing maintainers and developers with a holistic view of its long-term trends. Building on these findings, we develop two prototype applications, \textit{Multi repository Evolution Analyzer} and \textit{Single repository Component Assessor and Recommender}, to demonstrate the practical value of our analysis.
Abstract（参考訳）: ニューラルネットワークはその例外的な性能のため、多くの分野に不可欠なものとなっている。オープンソースコミュニティは、速いペースのイテレーションでニューラルネットワーク(NN)リポジトリが急速に流入しているのを目撃している。ソフトウェア請求書 (Software Bill of Materials, SBOM) を用いた従来型のソフトウェア進化の研究は盛んに行われているが, NNソフトウェアには不適であり, モジュールと事前学習モデル (PTM) に依存し, コンポーネント構造と再利用パターンが異なる。 AI Bills of Materials (AIBOMs) には、大規模な進化分析のための実践的な実装が欠けている。このギャップを埋めるために、NNソフトウェアに適した包括的データセット構造であるNNBOM(Neural Network Bill of Material)を導入する。 55,997のキュレートされたPyTorch GitHubリポジトリから大規模なNNBOMデータベースを作成し、TPL、PTM、モジュールをカタログ化しています。このデータベースを活用することで、ソフトウェアスケール、コンポーネントの再利用、ドメイン間の依存性といった、ニューラルネットワークソフトウェア進化に関する包括的な実証的研究を行い、メンテナや開発者に対して、長期的なトレンドの全体像を提供します。これらの知見に基づいて,本研究の実用的価値を示すために,<textit{Multi repository Evolution Analyzer} と \textit{Single repository Component Assessor と Recommender} の2つのプロトタイプアプリケーションを開発した。

関連論文リスト

Combining feature-based approaches with graph neural networks and symbolic regression for synergistic performance and interpretability [0.0]
MatterVialは、材料科学における機能ベースの機械学習のための革新的なハイブリッドフレームワークである。当社のアプローチは,従来の特徴ベースモデルの化学的透明性とディープラーニングアーキテクチャの予測能力を組み合わせたものです。サブロゲートモデルとシンボリックレグレッションを利用する統合的解釈可能性モジュールは、潜伏したGNN由来の記述子を明示的で物理的に意味のある式にデコードする。
論文参考訳（メタデータ） (2025-09-02T16:45:02Z)
Surrogate-Assisted Evolution for Efficient Multi-branch Connection Design in Deep Neural Networks [3.113634696452565]
最先端のディープニューラルネットワーク(DNN)には、しばしばマルチブランチ接続が組み込まれている。 DNN内のマルチブランチ(MB)接続を符号化するために,線形遺伝的プログラミング(LGP)に基づく新しい手法を提案する。数十から数百のサンプルポイントから数千に拡張し、複雑なDNNの要求に合わせています。
論文参考訳（メタデータ） (2025-06-25T14:18:17Z)
The Promise of Spiking Neural Networks for Ubiquitous Computing: A Survey and New Perspectives [6.0751106418587835]
スパイキングニューラルネットワーク(SNN)は、低消費電力計算を実現するためにスパースでイベント駆動のシグナリングを利用する、バイオインスパイアされたネットワークのクラスとして登場した。ユニークで有望な機能にもかかわらず、SNNは限定的な注目を集め、ユビキタスコンピューティングコミュニティ内では未探索のままである。
論文参考訳（メタデータ） (2025-06-02T14:47:48Z)
Spiking World Model with Multi-Compartment Neurons for Model-based Reinforcement Learning [6.0483672878162515]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、アルゴリズムの設計と知覚の応用において大きな研究の注目を集めている。しかし、意思決定領域におけるその可能性、特にモデルに基づく強化学習については、未解明のままである。本稿では,複数の樹状体源からの情報を非線形に積分し,長い逐次入力を動的に処理できるマルチコンパートメントニューロンモデルを提案する。
論文参考訳（メタデータ） (2025-03-02T03:40:10Z)
Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2024-09-26T16:22:08Z)
NNsight and NDIF: Democratizing Access to Open-Weight Foundation Model Internals [58.83169560132308]
NNsightとNDIFを導入し、非常に大きなニューラルネットワークによって学習された表現と計算の科学的研究を可能にする。
論文参考訳（メタデータ） (2024-07-18T17:59:01Z)
Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文参考訳（メタデータ） (2024-01-01T10:20:01Z)
Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文参考訳（メタデータ） (2023-12-03T13:50:24Z)
Riemannian Residual Neural Networks [58.925132597945634]
残余ニューラルネットワーク(ResNet)の拡張方法を示す。 ResNetは、機械学習において、有益な学習特性、優れた経験的結果、そして様々なニューラルネットワークを構築する際に容易に組み込める性質のために、ユビキタスになった。
論文参考訳（メタデータ） (2023-10-16T02:12:32Z)
Graph Neural Networks for Leveraging Industrial Equipment Structure: An application to Remaining Useful Life Estimation [21.297461316329453]
本稿では,複雑な機器の構造をグラフ形式で把握し,マルチセンサ時系列データをモデル化するためにグラフニューラルネットワーク(GNN)を用いる。我々は,提案したGNNに基づくRUL推定モデルが,RNNやCNNをベースとした文学からの強いベースラインと好意的に比較した。
論文参考訳（メタデータ） (2020-06-30T06:38:08Z)
The Microsoft Toolkit of Multi-Task Deep Neural Networks for Natural Language Understanding [97.85957811603251]
MT-DNNはオープンソースの自然言語理解(NLU)ツールキットであり、研究者や開発者がカスタマイズされたディープラーニングモデルを訓練しやすくする。 PyTorchとTransformersをベースとして開発されたMT-DNNは、幅広いNLUタスクの迅速なカスタマイズを容易にするように設計されている。 MT-DNNのユニークな特徴は、対戦型マルチタスク学習パラダイムを用いた堅牢で移動可能な学習のサポートである。
論文参考訳（メタデータ） (2020-02-19T03:05:28Z)

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。