論文の概要: Learned Cost Model for Placement on Reconfigurable Dataflow Hardware

• arxiv url: http://arxiv.org/abs/2511.01872v1
• Date: Tue, 21 Oct 2025 22:45:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-09 16:58:40.050319
• Title: Learned Cost Model for Placement on Reconfigurable Dataflow Hardware
• Title（参考訳）: 再構成可能なデータフローハードウェアにおける配置の学習コストモデル
• Authors: Etash Guha, Tianxiao Jiang, Andrew Deng, Jian Zhang, Muthu Annamalai,
• Abstract要約: 完全にスループットを測定するため、マッピングのスループットを評価するモデルが必要である。 さまざまなグラフに対して,スループットを31%～52%精度で予測する学習的アプローチを提案する。
• 参考スコア（独自算出の注目度）: 3.565836345536272
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mapping a dataflow-graph of an ML model onto a reconfigurable system is difficult, as different mappings have different throughputs and consume resource constraints differently. To solve this, a model to evaluate the throughput of mappings is necessary as measuring throughput completely is expensive. Many use a hand-designed analytical model, relying on proxy features or intuition, introducing error. We provide a Learned Approach that predicts throughput 31%-52% more accurately over a variety of graphs. In addition, our approach shows no accuracy degradation after removing performance annotations. We show that using this approach results in 5.6% faster compiled graphs.
• Abstract（参考訳）: MLモデルのデータフローグラフを再構成可能なシステムにマッピングすることは困難である。 これを解決するには、完全にスループットを測定するため、マッピングのスループットを評価するモデルが必要である。 多くの人が手作業で設計した分析モデルを使用しており、プロキシ機能や直観に依存し、エラーを導入している。 さまざまなグラフに対して,スループットを31%～52%精度で予測する学習的アプローチを提案する。 また,提案手法では,パフォーマンスアノテーションの削除による精度劣化は見られない。 このアプローチを用いることで5.6%高速なコンパイルグラフが得られることを示す。

関連論文リスト

• Quantization Meets Reasoning: Exploring and Mitigating Degradation of Low-Bit LLMs in Mathematical Reasoning [39.56908863102256]
  低ビット後の量子化は、より厳しい設定で69.81%の数学的推論を損なう。 デプロイクリティカルな2つの問題に,プロセスレベルの精度で対処する。 われわれの設定では、332のキュレートされたサンプルと1つのGPUで3～5分計算すると、完全な精度のベースラインに向かって4ビットの重み計算が引き起こされる。
  論文  参考訳（メタデータ） (2025-05-16T12:11:40Z)
• Retrieval Augmented Anomaly Detection (RAAD): Nimble Model Adjustment Without Retraining [3.037546128667634]
  Retrieval Augmented Anomaly Detectionは、Retrieval Augmented Generationからインスピレーションを得た新しい手法である。 人間の注釈付きサンプルはベクトルストアに送られ、モデル推論のために、非常に次の処理バッチでモデル出力を変更することができる。
  論文  参考訳（メタデータ） (2025-02-26T20:17:16Z)
• Masked Thought: Simply Masking Partial Reasoning Steps Can Improve Mathematical Reasoning Learning of Language Models [102.72940700598055]
  推論タスクでは、小さなエラーでも不正確な結果にカスケードすることができる。 入力の摂動に頼らず、外部リソースの導入を避ける手法を開発した。 私たちのトレーニングアプローチでは、思考の連鎖の中で特定のトークンをランダムにマスクします。
  論文  参考訳（メタデータ） (2024-03-04T16:21:54Z)
• Manifold Learning by Mixture Models of VAEs for Inverse Problems [1.5749416770494704]
  任意の位相の多様体を表現するために,変分オートエンコーダの混合モデルを学習する。 学習多様体に制限されたデータ忠実度項を最小化することにより、逆問題の解法に使用する。 本手法を低次元トイの例に応用し, 脱臭・電気インピーダンストモグラフィーにも応用した。
  論文  参考訳（メタデータ） (2023-03-27T14:29:04Z)
• Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
  グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。 グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。 実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。 ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。 分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
  論文  参考訳（メタデータ） (2021-10-20T14:23:54Z)
• Probabilistic Modeling for Human Mesh Recovery [73.11532990173441]
  本稿では,2次元の証拠から3次元の人体復元の問題に焦点を当てた。 我々は,この問題を,入力から3Dポーズの分布へのマッピング学習として再考した。
  論文  参考訳（メタデータ） (2021-08-26T17:55:11Z)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)
• Structural Information Preserving for Graph-to-Text Generation [59.00642847499138]
  グラフ・トゥ・テキスト生成の課題は、入力グラフの意味を保存した文を生成することである。 入力情報を保存するためのモデルとして,より豊かなトレーニング信号を活用することで,この問題に取り組むことを提案する。 グラフからテキストへの生成のための2つのベンチマークに関する実験は、最先端のベースラインに対するアプローチの有効性を示しています。
  論文  参考訳（メタデータ） (2021-02-12T20:09:01Z)
• Distributed Training of Graph Convolutional Networks using Subgraph Approximation [72.89940126490715]
  本稿では,グラフの複数の分割にまたがる失われる情報をサブグラフ近似スキームで緩和するトレーニング戦略を提案する。 サブグラフ近似アプローチは、分散トレーニングシステムが単一マシン精度で収束するのに役立つ。
  論文  参考訳（メタデータ） (2020-12-09T09:23:49Z)

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。