論文の概要: MileStone: A Multi-Objective Compiler Phase Ordering Framework for Graph-based IR-Level Optimization
- arxiv url: http://arxiv.org/abs/2605.23435v1
- Date: Fri, 22 May 2026 09:45:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-25 17:29:20.29631
- Title: MileStone: A Multi-Objective Compiler Phase Ordering Framework for Graph-based IR-Level Optimization
- Title（参考訳）: MileStone: グラフベースのIRレベル最適化のための多目的コンパイラフェーズオーダリングフレームワーク
- Authors: Amirhosein Sadr, Mehran Alidoost Nia,
- Abstract要約: MileStoneは、多目的最適化問題としてコンパイラフェーズオーダをモデル化するモジュラーフレームワークである。
プログラムをグラフとして表現し、グラフニューラルネットワークでパフォーマンスメトリクスを予測し、強化学習エージェントでパスシーケンスを探索する。
これは、複数目的のアプローチを使用して、同じエネルギー予算の下で実行時間を最大45%削減する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Compiler phase ordering has a strong effect on program performance. Finding an effective sequence of passes is still a difficult task because the search space is large and execution time, code size and energy consumption often conflict. Existing methods usually depend on fixed optimization levels or limited heuristics and they rarely handle multiple objectives at the same time. This paper presents MileStone, a modular framework that models compiler phase ordering as a multi-objective optimization problem. MileStone represents programs as graphs, predicts performance metrics with a graph neural network and explores pass sequences with a reinforcement-learning agent that follows user constraints. The framework also builds a self-evolving database that collects compiler transformations and improves prediction quality. Experiments on standard benchmarks show that MileStone finds strong Pareto-optimal solutions, meets energy limits more accurately than LLVM optimization levels and other related techniques. MileStone reduces execution time by up to 45 percent under the same energy budget using a multi-objective approach. The results show that MileStone provides an effective and scalable solution for multi-objective compiler phase ordering.
- Abstract（参考訳）: コンパイラのフェーズオーダリングはプログラムのパフォーマンスに強い影響を与える。
検索スペースが大きく、実行時間、コードサイズ、エネルギー消費が相反することが多いため、有効なパスのシーケンスを見つけることは依然として難しい作業である。
既存の手法は通常、固定された最適化レベルや限られたヒューリスティックに依存し、同時に複数の目的を同時に扱うことは滅多にない。
本稿では,多目的最適化問題としてコンパイラフェーズオーダをモデル化したモジュール型フレームワークであるMileStoneを提案する。
MileStoneはプログラムをグラフとして表現し、グラフニューラルネットワークでパフォーマンスメトリクスを予測し、ユーザの制約に従う強化学習エージェントでパスシーケンスを探索する。
このフレームワークは、コンパイラ変換を収集し、予測品質を改善するセルフ進化データベースも構築する。
標準ベンチマークの実験では、MileStoneは強力なPareto-Optimalソリューションを見つけ、LLVM最適化レベルや他の関連する技術よりも正確にエネルギー限界に到達している。
MileStoneは、マルチオブジェクトアプローチを使用して、同じエネルギー予算の下で実行時間を最大45%削減する。
その結果,MileStoneは多目的コンパイラのフェーズオーダに効果的かつスケーラブルなソリューションを提供することがわかった。
関連論文リスト
- Navigating LLM Valley: From AdamW to Memory-Efficient and Matrix-Based Optimizers [0.0]
大規模言語モデルの訓練には、計算とメモリ効率が極端に高い最適化アルゴリズムが必要である。
本稿では,システム・アンド・最適化レンズを用いた大規模言語モデルの設計についてレビューする。
論文 参考訳（メタデータ） (2026-05-09T21:34:28Z) - GRACE: Globally-Seeded Representation-Aware Cluster-Specific Evolution for Compiler Auto-Tuning [10.225578019039506]
本稿では,LLVM IR命令数最適化のためのコンパイラ自動チューニングフレームワーク GRACE を紹介する。
GRACEは、パスシナジーと重み付けされたスコアリング法を利用して、探索空間を効果的に削減し、初期品質の高い候補シーケンスとパスプールを生成する。
次に、パスシーケンスベースのデータ拡張を使用してコントラスト学習を使用して、類似性を認識したクラスタリングを容易にするプログラム埋め込みを生成する。
論文 参考訳（メタデータ） (2025-10-15T06:01:19Z) - Objective Soups: Multilingual Multi-Task Modeling for Speech Processing [69.52720282028385]
マルチ言語・マルチタスク音声処理(MSP)のための単一モデルの訓練は,タスク間の目的の相反によって著しく妨げられる。
本稿では,多目的MSPの3つの定式化について検討し,これらをthabfobjective soup recipesと呼ぶ。
我々の研究は、階層型MOOが最先端のMSPモデルを構築する上で、より効率的でスケーラブルなアプローチであることを実証している。
論文 参考訳（メタデータ） (2025-08-12T07:01:09Z) - LOP: Learning Optimal Pruning for Efficient On-Demand MLLMs Scaling [52.1366057696919]
LOPは、ターゲットプルーニング制約から最適なプルーニング戦略を学ぶ、効率的なニューラルプルーニングフレームワークである。
LOPアプローチでは、自動回帰ニューラルネットワーク(NN)を使用して、ターゲットプルーニング制約に適応したレイヤワイズプルーニング戦略を直接予測する。
実験の結果,LOPは最大3桁のスピードアップを達成しつつ,様々な測定値において最先端のプルーニング手法よりも優れていた。
論文 参考訳（メタデータ） (2025-06-15T12:14:16Z) - Jacobian Descent for Multi-Objective Optimization [0.6138671548064355]
勾配降下は単目的最適化に限られる。
Jacobian descent (JD) はベクトル値の目的関数のヤコビ行列を用いてパラメータを反復的に更新する。
論文 参考訳（メタデータ） (2024-06-23T22:06:25Z) - Contextual Stochastic Bilevel Optimization [50.36775806399861]
文脈情報と上層変数の期待を最小化する2レベル最適化フレームワークCSBOを導入する。
メタラーニング、パーソナライズドラーニング、エンド・ツー・エンドラーニング、Wassersteinはサイド情報(WDRO-SI)を分散的に最適化している。
論文 参考訳（メタデータ） (2023-10-27T23:24:37Z) - Learning Performance-Improving Code Edits [107.21538852090208]
本稿では,大規模言語モデル(LLM)を高レベルプログラム最適化に適用するためのフレームワークを提案する。
まず、競争力のある77,000以上のC++プログラミングサブミッションペアによる、人間のプログラマによるパフォーマンス改善編集のデータセットをキュレートする。
提案手法は,検索をベースとした少数ショットプロンプトとチェーン・オブ・シンクレットを提案し,その微調整には,自己再生に基づく性能条件付き生成と合成データ拡張が含まれる。
論文 参考訳（メタデータ） (2023-02-15T18:59:21Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and
Personalized Federated Learning [56.17603785248675]
モデルに依存しないメタラーニング (MAML) が人気のある研究分野となっている。
既存のMAMLアルゴリズムは、イテレーション毎にメタモデルを更新するためにいくつかのタスクとデータポイントをサンプリングすることで、エピソードのアイデアに依存している。
本稿では,MAMLのメモリベースアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-06-09T08:47:58Z) - MLComp: A Methodology for Machine Learning-based Performance Estimation
and Adaptive Selection of Pareto-Optimal Compiler Optimization Sequences [10.200899224740871]
組込みソフトウェア最適化のための新しい強化学習型ポリシー手法を提案する。
異なる機械学習モデルが自動的にテストされ、最適なものを選択する。
また、ターゲットとするプラットフォームやアプリケーションドメインに対して、フレームワークを効率的にトレーニングできることも示しています。
論文 参考訳（メタデータ） (2020-12-09T19:13:39Z)
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。