論文の概要: Slimmable NAM: Neural Amp Models with adjustable runtime computational cost
- arxiv url: http://arxiv.org/abs/2511.07470v1
- Date: Wed, 12 Nov 2025 01:01:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-12 20:17:03.343892
- Title: Slimmable NAM: Neural Amp Models with adjustable runtime computational cost
- Title（参考訳）: Slimmable NAM: 調整可能な実行時計算コストを持つニューラルアンプモデル
- Authors: Steven Atkinson,
- Abstract要約: この研究は、"slimmable Neural Amp Models"を実証する
メソッドのパフォーマンスは、一般的に使用されるベースラインに対して定量化される。
オーディオエフェクトプラグインにおけるモデルのリアルタイムな実演を開発する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work demonstrates "slimmable Neural Amp Models", whose size and computational cost can be changed without additional training and with negligible computational overhead, enabling musicians to easily trade off between the accuracy and compute of the models they are using. The method's performance is quantified against commonly-used baselines, and a real-time demonstration of the model in an audio effect plug-in is developed.
- Abstract（参考訳）: この研究は"slimmable Neural Amp Models"を示し、そのサイズと計算コストは追加のトレーニングや無視可能な計算オーバーヘッドなしで変更可能である。
一般的に使用されているベースラインに対して性能を定量化し、オーディオエフェクトプラグインにおけるモデルのリアルタイムな実演を開発する。
関連論文リスト
- Noise Hypernetworks: Amortizing Test-Time Compute in Diffusion Models [57.49136894315871]
テストタイムスケーリングの新しいパラダイムは、推論モデルと生成視覚モデルにおいて驚くべきブレークスルーをもたらした。
本稿では,テスト時間スケーリングの知識をモデルに組み込むことの課題に対する1つの解決策を提案する。
拡散モデルにおいて、初期入力ノイズを変調するノイズハイパーネットワークにより、報酬誘導試験時間雑音の最適化を行う。
論文 参考訳（メタデータ） (2025-08-13T17:33:37Z) - XMoE: Sparse Models with Fine-grained and Adaptive Expert Selection [30.687511115573038]
ツールは、スパースMoEモデルの有効性と効率を高めるために設計された新しいMoEである。
パフォーマンスを犠牲にすることなく、MoE層の計算負荷を50%以上削減しながら、モデルパフォーマンスを向上させることができる。
論文 参考訳（メタデータ） (2024-02-27T08:18:02Z) - STORM: Efficient Stochastic Transformer based World Models for
Reinforcement Learning [82.03481509373037]
近年,モデルに基づく強化学習アルゴリズムは視覚入力環境において顕著な有効性を示している。
本稿では,強力なモデリングと生成機能を組み合わせた効率的な世界モデルアーキテクチャであるTransformer-based wORld Model (STORM)を紹介する。
Stormは、Atari 100$kベンチマークで平均126.7%の人的パフォーマンスを達成し、最先端のメソッドの中で新しい記録を樹立した。
論文 参考訳（メタデータ） (2023-10-14T16:42:02Z) - End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。
エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-03T10:21:53Z) - MoMo: Momentum Models for Adaptive Learning Rates [14.392926033512069]
我々は任意の運動量法で利用できる新しいPolyak型適応学習率を開発した。
我々はまず,SGD-Mのモーメントモデルに基づく適応学習率であるMoMoを開発した。
運動量に基づく手法と組み合わせてMoMoを利用できることを示すとともに,MoMo-Adamの開発によってこれを実証する。
論文 参考訳（メタデータ） (2023-05-12T16:25:57Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳（メタデータ） (2022-03-15T09:38:15Z) - Noise Modulation: Let Your Model Interpret Itself [28.788735113859968]
ノイズ変調は,入力勾配と自己を解釈するモデルを学習するための効率的かつモデル非依存な代替手段として提案する。
実験結果は、ノイズ変調が入力勾配モデルの解釈性を効果的に拡張できることを示した。
論文 参考訳（メタデータ） (2021-03-19T02:55:33Z)
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。