Fugu-MT 論文翻訳(概要): TensorHub: Rethinking AI Model Hub with Tensor-Centric Compression

論文の概要: TensorHub: Rethinking AI Model Hub with Tensor-Centric Compression

arxiv url: http://arxiv.org/abs/2604.17104v1
Date: Sat, 18 Apr 2026 18:40:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-21 21:52:52.332342
Title: TensorHub: Rethinking AI Model Hub with Tensor-Centric Compression
Title（参考訳）: TensorHub: テンソル中心圧縮を備えたAIモデルハブの再考
Authors: Tingfeng Lan, Zirui Wang, Yunjia Zheng, Zhaoyuan Su, Juncheng Yang, Yue Cheng,
Abstract要約: 現代のAIモデルは、サイズと冗長性において急速に成長しており、モデルハブにおけるストレージと分散の大きな課題につながっている。本稿では,テンソル中心のシステムであるHubHubについて紹介する。
参考スコア（独自算出の注目度）: 21.524453130678864
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Modern AI models are growing rapidly in size and redundancy, leading to significant storage and distribution challenges in model hubs. We present TensorHub, a tensor-centric system for reducing storage overhead through fine-grained deduplication and compression. TensorHub leverages tensor-level fingerprinting and clustering to identify redundancy across models without requiring annotations. Our design enables efficient storage reduction while preserving model usability and performance. Experiments on real-world model repositories demonstrate substantial storage savings with minimal overhead.
Abstract（参考訳）: 現代のAIモデルは、サイズと冗長性において急速に成長しており、モデルハブにおけるストレージと分散の大きな課題につながっている。テンソルHubは、微細な重複と圧縮によってストレージオーバーヘッドを低減するテンソル中心のシステムである。 TensorHubはテンソルレベルのフィンガープリントとクラスタリングを活用して、アノテーションを必要とせずにモデル間の冗長性を識別する。我々の設計では、モデル使用性と性能を保ちながら、効率的なストレージ削減を実現している。実世界のモデルリポジトリの実験では、オーバーヘッドを最小限に抑えることができる。

関連論文リスト

The Curious Case of In-Training Compression of State Space Models [49.819321766705514]
ステートスペースモデル(SSM)は、並列化可能なトレーニングと高速推論の両方を提供する。鍵となる設計上の課題は、表現力の最大化と計算負荷の制限の間の適切なバランスを打つことだ。我々のアプローチである textscCompreSSM はリニアリカレントユニットのような線形時間不変SSMに適用されるが、選択モデルにも拡張可能である。
論文参考訳（メタデータ） (2025-10-03T09:02:33Z)
NeurStore: Efficient In-database Deep Learning Model Management System [29.416005300485846]
本稿では,データベース内モデル管理システムNeurStoreについて述べる。 NeurStoreはテンソルベースのモデルストレージエンジンを使用して、データベース内の詳細なモデルストレージを可能にする。我々は、NeurStoreが最先端の手法と比較して圧縮比と競合モデルの負荷スループットに優れていることを示す。
論文参考訳（メタデータ） (2025-09-03T11:35:21Z)
CompGS++: Compressed Gaussian Splatting for Static and Dynamic Scene Representation [60.712165339762116]
CompGS++はコンパクトガウスプリミティブを活用して正確な3Dモデリングを実現する新しいフレームワークである。私たちの設計は、プリミティブ間の冗長性をなくすという原則に基づいている。私たちの実装は、さらなる研究を促進するためにGitHubで公開されます。
論文参考訳（メタデータ） (2025-04-17T15:33:01Z)
Lossless and Near-Lossless Compression for Foundation Models [11.307357041746865]
モデル圧縮性の原因を調査し,モデルに適した圧縮変種を導入し,圧縮性グループに分類する。我々はこれらの手法がHuggingFaceのような大きなモデルハブからダウンロードされたネットワークトラフィックの1ヶ月あたりExaByte以上を節約できると見積もっている。
論文参考訳（メタデータ） (2024-04-05T16:52:55Z)
CompactifAI: Extreme Compression of Large Language Models using Quantum-Inspired Tensor Networks [1.5199992713356987]
本稿では、量子インスパイアされたネットワークを用いた革新的な圧縮手法であるCompactifAIを紹介する。我々の手法は万能であり、他の圧縮技術で実装することができる。ベンチマークとして、CompactifAIと量子化の組み合わせにより、LlaMA 7Bの93%のメモリサイズを削減できることを示す。
論文参考訳（メタデータ） (2024-01-25T11:45:21Z)
On the Embedding Collapse when Scaling up Recommendation Models [53.66285358088788]
埋め込み崩壊現象をスケーラビリティの阻害とみなし、埋め込み行列は低次元の部分空間を占有する傾向にある。本稿では,組込み集合固有の相互作用モジュールを組み込んで,多様性を持つ組込み集合を学習する,単純かつ効果的な組込み設計を提案する。
論文参考訳（メタデータ） (2023-10-06T17:50:38Z)
LCS: Learning Compressible Subspaces for Adaptive Network Compression at Inference Time [57.52251547365967]
本稿では,ニューラルネットワークの「圧縮可能な部分空間」を訓練する手法を提案する。構造的・非構造的空間に対する推定時間における微粒な精度・効率のトレードオフを任意に達成するための結果を示す。我々のアルゴリズムは、可変ビット幅での量子化にまで拡張し、個別に訓練されたネットワークと同等の精度を実現する。
論文参考訳（メタデータ） (2021-10-08T17:03:34Z)
Neural Network Compression for Noisy Storage Devices [71.4102472611862]
従来、モデル圧縮と物理ストレージは分離される。このアプローチでは、ストレージは圧縮されたモデルの各ビットを等しく扱い、各ビットに同じ量のリソースを割り当てるように強制される。 i) 各メモリセルの容量を最大化するためにアナログメモリを使用し, (ii) モデル圧縮と物理ストレージを共同で最適化し, メモリの有用性を最大化する。
論文参考訳（メタデータ） (2021-02-15T18:19:07Z)
Self-Supervised GAN Compression [32.21713098893454]
従来の手法では,標準モデル圧縮手法であるウェイトプルーニングがGANに適用できないことを示す。次に、訓練された判別器を用いて圧縮発電機の訓練を監督する自己教師圧縮手法を開発する。我々は,このフレームワークが高い疎度に対して魅力的な性能を示し,新しいタスクやモデルに容易に適用できることを示し,異なるプルーニング粒度間の有意義な比較を可能にする。
論文参考訳（メタデータ） (2020-07-03T04:18:54Z)
Dynamic Model Pruning with Feedback [64.019079257231]
余分なオーバーヘッドを伴わずにスパーストレーニングモデルを生成する新しいモデル圧縮法を提案する。 CIFAR-10 と ImageNet を用いて本手法の評価を行い,得られたスパースモデルが高密度モデルの最先端性能に到達可能であることを示す。
論文参考訳（メタデータ） (2020-06-12T15:07:08Z)

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。