論文の概要: Machine Learning (ML) library in Linux kernel

• arxiv url: http://arxiv.org/abs/2603.02145v1
• Date: Mon, 02 Mar 2026 18:07:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:57.020951
• Title: Machine Learning (ML) library in Linux kernel
• Title（参考訳）: Linuxカーネルにおける機械学習(ML)ライブラリ
• Authors: Viacheslav Dubeyko,
• Abstract要約: 機械学習(ML)は、データから学び、パターンを見つけ、アルゴリズムを実装せずに予測するアプローチ/領域である。 カーネル空間で浮動小数点演算(FPU)を直接使用することはなく、潜在的にはMLモデルが大幅な性能低下の原因となる可能性がある。 Paper氏は、宣言された問題を解決し、カーネル空間でMLモデルを採用することができるLinuxカーネルのMLインフラストラクチャアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Linux kernel is a huge code base with enormous number of subsystems and possible configuration options that results in unmanageable complexity of elaborating an efficient configuration. Machine Learning (ML) is approach/area of learning from data, finding patterns, and making predictions without implementing algorithms by developers that can introduce a self-evolving capability in Linux kernel. However, introduction of ML approaches in Linux kernel is not easy way because there is no direct use of floating-point operations (FPU) in kernel space and, potentially, ML models can be a reason of significant performance degradation in Linux kernel. Paper suggests the ML infrastructure architecture in Linux kernel that can solve the declared problem and introduce of employing ML models in kernel space. Suggested approach of kernel ML library has been implemented as Proof Of Concept (PoC) project with the goal to demonstrate feasibility of the suggestion and to design the interface of interaction the kernel-space ML model proxy and the ML model user-space thread.
• Abstract（参考訳）: Linuxカーネルは膨大な数のサブシステムを持つ巨大なコードベースであり、効率的な構成を作成するという管理不能な複雑さをもたらす可能性のある構成オプションを備えている。 機械学習(ML)は、Linuxカーネルに自己進化能力を導入するアルゴリズムを実装することなく、データから学習し、パターンを見つけ、予測するアプローチ/領域である。 しかし、カーネル空間に浮動小数点演算(FPU)を直接使用しないため、LinuxカーネルにMLアプローチを導入するのは容易ではない。 Paper氏は、宣言された問題を解決し、カーネル空間でMLモデルを採用することができるLinuxカーネルのMLインフラストラクチャアーキテクチャを提案する。 提案の可能性を実証し、カーネル空間MLモデルプロキシとMLモデルユーザスペーススレッドとのインタラクションのインターフェースを設計することを目的として、カーネルMLライブラリの推奨アプローチがProof Of Concept(PoC)プロジェクトとして実装されている。

関連論文リスト

• Towards Automated Kernel Generation in the Era of LLMs [17.69471168609145]
  カーネルエンジニアリングは時間がかかり、スケールできないプロセスです。 大規模言語モデル(LLM)やエージェントシステムの最近の進歩は、カーネル生成と最適化を自動化する新しい可能性を開いた。 フィールドは断片化され続けており、LLM駆動のカーネル生成の体系的な視点が欠如している。
  論文  参考訳（メタデータ） (2026-01-22T07:53:52Z)
• Library Liberation: Competitive Performance Matmul Through Compiler-composed Nanokernels [37.00431889602245]
  本稿では,スケーラブルで高性能なマイクロカーネルを自動生成するコンパイル方式を提案する。 本手法は,ベクトルおよびタイルベースのCPU命令をサポートするMLIRベースのコンパイラで実装する。 実験の結果、生成したナノカーネルは生産品質が高く、最先端のマイクロカーネルライブラリと競合することがわかった。
  論文  参考訳（メタデータ） (2025-11-14T14:32:28Z)
• Syntactic and Semantic Control of Large Language Models via Sequential Monte Carlo [90.78001821963008]
  広い範囲のLMアプリケーションは、構文的制約や意味論的制約に適合するテキストを生成する必要がある。 我々は、連続モンテカルロ(SMC)に基づく制御LM生成のためのアーキテクチャを開発する。 我々のシステムはLew et al. (2023) のフレームワーク上に構築されており、言語モデル確率型プログラミング言語と統合されている。
  論文  参考訳（メタデータ） (2025-04-17T17:49:40Z)
• MigGPT: Harnessing Large Language Models for Automated Migration of Out-of-Tree Linux Kernel Patches Across Versions [53.811953357289866]
  大規模言語モデル(LLM)は、様々な領域で顕著な進歩を示している。 LLMは不完全なコードコンテキスト理解と不正確なマイグレーションポイント識別に苦労する。 MigGPTは、コードスニペット情報を保持するために新しいコード指紋構造を使用するフレームワークである。
  論文  参考訳（メタデータ） (2025-04-13T08:08:37Z)
• KGym: A Platform and Dataset to Benchmark Large Language Models on Linux Kernel Crash Resolution [59.20933707301566]
  大規模言語モデル(LLM)は、ますます現実的なソフトウェア工学(SE)タスクにおいて一貫して改善されている。 現実世界のソフトウェアスタックでは、Linuxカーネルのような基本的なシステムソフトウェアの開発にSEの取り組みが費やされています。 このような大規模システムレベルのソフトウェアを開発する際にMLモデルが有用かどうかを評価するため、kGymとkBenchを紹介する。
  論文  参考訳（メタデータ） (2024-07-02T21:44:22Z)
• Bridging Algorithmic Information Theory and Machine Learning: A New Approach to Kernel Learning [12.848057726330714]
  我々は,スパースカーネルフローの手法を用いて,データからカーネルを学習する問題に対するAIIの視点を採用する。 このアプローチは、AITのツールを使用して機械学習のアルゴリズムを再構築する扉を開く。
  論文  参考訳（メタデータ） (2023-11-21T14:18:28Z)
• BioSequence2Vec: Efficient Embedding Generation For Biological Sequences [1.0896567381206714]
  本稿では,カーネルメソッドの品質を具現化する汎用表現学習手法を提案する。 提案手法は,任意の距離への入力として利用することができる。 我々はSARS-CoV-2系統や遺伝子ファミリー分類などの実世界の様々な分類タスクを行い、予測性能において最先端の埋め込みやカーネル手法よりも優れています。
  論文  参考訳（メタデータ） (2023-04-01T10:58:21Z)
• Local Sample-weighted Multiple Kernel Clustering with Consensus Discriminative Graph [73.68184322526338]
  マルチカーネルクラスタリング(MKC)は、ベースカーネルの集合から最適な情報融合を実現するためにコミットされる。 本稿では,新しい局所サンプル重み付きマルチカーネルクラスタリングモデルを提案する。 実験により, LSWMKCはより優れた局所多様体表現を有し, 既存のカーネルやグラフベースのクラスタリングアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2022-07-05T05:00:38Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Kernel methods library for pattern analysis and machine learning in python [0.0]
  kernelmethodsライブラリは、ドメインに依存しない方法で、python MLエコシステムにおける重要な空白を埋めます。 このライブラリは、カーネルベースの操作を効率的にするための、よく定義された多くのクラスを提供する。
  論文  参考訳（メタデータ） (2020-05-27T16:44:42Z)
• PolyScientist: Automatic Loop Transformations Combined with Microkernels for Optimization of Deep Learning Primitives [55.79741270235602]
  深層学習カーネル開発のためのハイブリッドソリューションを開発する。 我々は、高度な多面体技術を用いて、パフォーマンスのために外部ループを自動的に調整する。
  論文  参考訳（メタデータ） (2020-02-06T08:02:34Z)

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。