論文の概要: Evaluating Numerical Accuracy in Mixed-Precision Computing by Dual-Delta Testing
- arxiv url: http://arxiv.org/abs/2602.10605v1
- Date: Wed, 11 Feb 2026 07:54:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-12 21:44:01.551184
- Title: Evaluating Numerical Accuracy in Mixed-Precision Computing by Dual-Delta Testing
- Title（参考訳）: Dual-Delta Testing による混合精度計算における数値的精度の評価
- Authors: Peichen Xie,
- Abstract要約: 独自の混合精度関数を実装する際には,それらの数値精度を検証することが重要である。
従来のアプローチでは、単一のエラーメトリックを使用して参照に対するカスタム実装を比較するのが一般的である。
本稿では,2つの誤差分布を高精度なオラクルに対して評価する手法であるtextitDual-Delta Testingを紹介する。
- 参考スコア（独自算出の注目度）: 0.7106986689736828
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Mixed-precision computing has become increasingly important in modern high-performance computing and machine learning applications. When implementing custom mixed-precision functions -- such as fused operators, optimized GPU kernels, or quantized inference paths -- it is critical to verify their numerical accuracy. Traditional approaches typically compare the custom implementation against a reference using a single error metric. However, this single-delta approach provides limited insight into whether the observed errors are inherent to the precision level or specific to the implementation. This paper introduces \textit{Dual-Delta Testing}, a systematic methodology that evaluates two error distributions against a high-precision oracle, enabling rigorous comparison between a custom implementation and a baseline reference. We present the mathematical framework, algorithmic formulation, statistical analysis techniques, and practical examples demonstrating the methodology's effectiveness in evaluating numerical accuracy.
- Abstract（参考訳）: 混合精度計算は、現代の高性能コンピューティングや機械学習アプリケーションにおいてますます重要になっている。
融合演算子、最適化GPUカーネル、量子化推論パスなど、独自の混合精度関数を実装する場合、その数値精度を検証することが重要である。
従来のアプローチでは、単一のエラーメトリックを使用して参照に対するカスタム実装を比較するのが一般的である。
しかし、この単一デルタ法は、観測された誤差が精度レベルに固有ののか、あるいは実装に固有ののかについての限られた洞察を与える。
本稿では,2つの誤差分布を高精度なオラクルに対して評価する手法である「textit{Dual-Delta Testing}」を紹介し,カスタム実装とベースライン参照の厳密な比較を可能にする。
本稿では, 数学的枠組み, アルゴリズムの定式化, 統計解析技術, 数値的精度を評価する手法の有効性を示す実例を紹介する。
関連論文リスト
- Principled Algorithms for Optimizing Generalized Metrics in Binary Classification [53.604375124674796]
一般化されたメトリクスを最適化するアルゴリズムを導入し、$H$-consistency と finite-sample generalization bounds をサポートする。
提案手法は,メトリクス最適化を一般化したコスト依存学習問題として再検討する。
我々は,理論性能を保証する新しいアルゴリズムMETROを開発した。
論文 参考訳（メタデータ） (2025-12-29T01:33:42Z) - Data-Efficient Kernel Methods for Learning Differential Equations and Their Solution Operators: Algorithms and Error Analysis [40.72119156403829]
我々は、微分方程式とその解マップを学習するための新しいカーネルベースのフレームワークを、データ要求において効率的に導入する。
我々のアプローチは数学的に解釈可能であり、学習方程式の量的最悪の誤り境界の形で厳密な理論的保証によって裏付けられている。
論文 参考訳（メタデータ） (2025-03-02T21:48:03Z) - Calibration-then-Calculation: A Variance Reduced Metric Framework in Deep Click-Through Rate Prediction Models [16.308958212406583]
ディープラーニングパイプラインのパフォーマンス評価に重点が置かれていない。
大きなデータセットと複雑なモデルの使用が増えると、トレーニングプロセスは一度だけ実行され、その結果は以前のベンチマークと比較される。
トレーニングプロセスを複数回実行するような従来のソリューションは、計算上の制約のため、しばしば実現不可能である。
本稿では,従来からある分散を低減し,この問題に対処するために設計された新しい計量フレームワークCalibrated Loss Metricを紹介する。
論文 参考訳（メタデータ） (2024-01-30T02:38:23Z) - Sharp Calibrated Gaussian Processes [58.94710279601622]
キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。
本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。
我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
論文 参考訳（メタデータ） (2023-02-23T12:17:36Z) - Predictive machine learning for prescriptive applications: a coupled
training-validating approach [77.34726150561087]
規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。
このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。
合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
論文 参考訳（メタデータ） (2021-10-22T15:03:20Z) - Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。
ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。
本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文 参考訳（メタデータ） (2021-05-11T03:38:16Z) - Integrated Optimization of Predictive and Prescriptive Tasks [0.0]
予測タスクを記述タスクとして直接統合する新しいフレームワークを提案する。
予測アルゴリズムのパラメータを2レベル最適化技術により、処方問題内でトレーニングします。
論文 参考訳（メタデータ） (2021-01-02T02:43:10Z) - Calibrated Adaptive Probabilistic ODE Solvers [31.442275669185626]
不確実性の推定を校正するいくつかの確率的動機づけのある方法を紹介し,議論し,評価する。
本手法は,従来の4/5 runge-kutta法に対してベンチマークを行い,その効率性を示す。
論文 参考訳（メタデータ） (2020-12-15T10:48:55Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳（メタデータ） (2020-05-21T16:08:38Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-04-21T23:09:55Z)
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。