論文の概要: SoberDSE: Sample-Efficient Design Space Exploration via Learning-Based Algorithm Selection

• arxiv url: http://arxiv.org/abs/2603.00986v1
• Date: Sun, 01 Mar 2026 08:28:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.446723
• Title: SoberDSE: Sample-Efficient Design Space Exploration via Learning-Based Algorithm Selection
• Title（参考訳）: SoberDSE:学習アルゴリズムの選択による設計空間の探索
• Authors: Lei Xu, Shanshan Wang, Chenglong Xiao,
• Abstract要約: 設計空間探索(DSE)は、高品質なハードウェアアーキテクチャの同定を目指している。 設計空間の巨大なサイズは、DSEを計算的に禁止する。 本稿では,ベンチマーク特性に基づく適切なアルゴリズムを推奨するSoberDSEフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.33202262448994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-Level Synthesis (HLS) is a pivotal electronic design automation (EDA) technology that enables the generation of hardware circuits from high-level language descriptions. A critical step in HLS is Design Space Exploration (DSE), which seeks to identify high-quality hardware architectures under given constraints. However, the enormous size of the design space makes DSE computationally prohibitive. Although numerous algorithms have been proposed to accelerate DSE, our extensive experimental studies reveal that no single algorithm consistently achieves Pareto dominance across all problem instances. Consequently, the inability of any single algorithm to dominate all benchmarks necessitates an automated selection mechanism to identify the best-performing DSE algorithm for each specific case. To address this challenge, we propose the SoberDSE framework, which recommends suitable algorithm based on benchmark characteristics. Experimental results demonstrate that our SoberDSE framework significantly outperforms state-of-the-art heuristic-based DSE algorithms by up to 5.7 $\times$ and state-of-the-art learning-based DSE methods by up to 4.2 $\times$. Furthermore, compared to conventional classification models, SoberDSE delivers superior accuracy in small-sample learning scenarios, with an average enhancement of 35.57\%. Code and models are available at https://anonymous.4open.science/r/Sober-4377.
• Abstract（参考訳）: High-Level Synthesis (HLS) は、高レベルの言語記述からハードウェア回路を生成するための電子設計自動化(EDA)技術である。 HLSの重要なステップはDSE(Design Space Exploration)である。 しかし、設計空間の巨大なサイズは、DSEを計算的に禁止する。 DSEを高速化するために多くのアルゴリズムが提案されているが、大規模な実験により、全ての問題インスタンスにおいてパレート支配を一貫して達成するアルゴリズムは存在しないことが判明した。 したがって、全てのベンチマークを支配できない単一のアルゴリズムは、それぞれのケースで最高のパフォーマンスのDSEアルゴリズムを特定する自動選択機構を必要とする。 この課題に対処するために,ベンチマーク特性に基づいた適切なアルゴリズムを推奨するSoberDSEフレームワークを提案する。 実験結果から,我々のSoberDSEフレームワークは,最先端のヒューリスティックなDSEアルゴリズムを最大5.7ドル,最先端の学習ベースのDSE手法を最大4.2ドルに向上させることがわかった。 さらに、従来の分類モデルと比較して、SoberDSEは小さなサンプル学習シナリオにおいて、平均35.57\%の精度で精度が向上している。 コードとモデルはhttps://anonymous.4open.science/r/Sober-4377で公開されている。

関連論文リスト

• Deep Inverse Design for High-Level Synthesis [1.9029532975354944]
  我々は,グラフニューラルネットワークと生成モデルを統合する新しいアプローチとして,HLSのためのDeep Inverse Design(DID4HLS)を提案する。 DID4HLSは、HLS後のデータから設計特徴の条件分布を学習することにより、計算集約アルゴリズムを目的としたハードウェア設計を反復的に最適化する。 提案手法は,4つの最先端DSEベースラインと比較して,基準セットまでの平均距離平均42.8%の改善を達成した。
  論文  参考訳（メタデータ） (2024-07-11T18:13:38Z)
• Stochastic Ratios Tracking Algorithm for Large Scale Machine Learning Problems [0.7614628596146599]
  古典的なSGDフレームワークにおける適応的なステップ長選択のための新しいアルゴリズムを提案する。 妥当な条件下では、アルゴリズムは十分に確立された理論的な要件に従ってステップ長を生成する。 このアルゴリズムは,手動チューニングから得られる最良ステップ長に匹敵するステップ長を生成することができることを示す。
  論文  参考訳（メタデータ） (2023-05-17T06:22:11Z)
• IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing [88.35145788575348]
  画像異常検出(英: Image Anomaly Detection、IAD)は、産業用コンピュータビジョンの課題である。 統一IMベンチマークの欠如は、現実世界のアプリケーションにおけるIADメソッドの開発と利用を妨げる。 7つの主要なデータセットに19のアルゴリズムを含む包括的画像異常検出ベンチマーク(IM-IAD)を構築した。
  論文  参考訳（メタデータ） (2023-01-31T01:24:45Z)
• Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
  不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。 オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。 我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
  論文  参考訳（メタデータ） (2022-08-26T04:28:01Z)
• ES-Based Jacobian Enables Faster Bilevel Optimization [53.675623215542515]
  バイレベル最適化(BO)は多くの現代の機械学習問題を解決する強力なツールとして生まれてきた。 既存の勾配法では、ヤコビアンあるいはヘッセンベクトル計算による二階微分近似が必要となる。 本稿では,進化戦略(ES)に基づく新しいBOアルゴリズムを提案し,BOの過勾配における応答ヤコビ行列を近似する。
  論文  参考訳（メタデータ） (2021-10-13T19:36:50Z)
• Improving EEG Decoding via Clustering-based Multi-task Feature Learning [27.318646122939537]
  機械学習は、EEGパターンをより良い復号精度に最適化する有望な技術を提供します。 既存のアルゴリズムは、真のEEGサンプル分布を捕捉する基礎となるデータ構造を効果的に探索しない。 クラスタリングに基づく脳波パターン復号のためのマルチタスク機能学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-12T13:31:53Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• AP-Loss for Accurate One-Stage Object Detection [49.13608882885456]
  一段階の物体検出器は、分類損失と局所化損失を同時に最適化することによって訓練される。 前者は、多数のアンカーのため、非常に前景と後方のアンカーの不均衡に悩まされる。 本稿では,一段検知器の分類タスクをランキングタスクに置き換える新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-08-17T13:22:01Z)
• Run2Survive: A Decision-theoretic Approach to Algorithm Selection based on Survival Analysis [75.64261155172856]
  生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。 我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。 標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2020-07-06T15:20:17Z)
• Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
  我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。 我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-29T09:40:58Z)

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。