論文の概要: LEMUR 2: Unlocking Neural Network Diversity for AI

• arxiv url: http://arxiv.org/abs/2607.06839v1
• Date: Tue, 07 Jul 2026 22:21:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.232534
• Title: LEMUR 2: Unlocking Neural Network Diversity for AI
• Title（参考訳）: LEMUR 2: AIのためのニューラルネットワークの多様性の解放
• Abstract要約: LEMUR 2では、ニューラルネットワークの多様性を解放するために、大規模で統一された生成、評価、デプロイメントパイプラインが導入されている。 14,000以上の異なるアーキテクチャと、750,000以上の構造化されたトレーニング記録からなり、モデルのパフォーマンスが記録されている。 このデータセットは、再現性とデータ駆動型AI設計の新たな基盤を定義し、LLM駆動型AutoMLの新たなパラダイムを推進している。
• 参考スコア（独自算出の注目度）: 28.96525007010618
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing NAS benchmarks (e.g., NAS-Bench, NATS-Bench) cover only narrow, task-specific regions of the architectural design space and lack cross-domain or deployment-aware evaluation. LEMUR 2 introduces a large-scale, extensible framework unifying generative, evaluative, and deployment pipelines to unlock neural-network diversity. It comprises over 14,000 distinct architectures and more than 750,000 structured training records documenting model performance, hyperparameters, and task outcomes. These models were produced through AST-based code mutation, genetic and reinforcement-learning evolution, generation of fractal architectures, and synthesis guided by a Large Language Model (LLM). This includes deep models generated with the retrieval-augmented system NN-RAG, which derived and used architectural motifs from over 900 PyTorch modules extracted from public repositories. LEMUR 2 further employs NN-VR and NN-Lite pipelines for automated deployment and latency benchmarking on heterogeneous mobile and Unity-based VR platforms, providing real-device performance metadata. It spans multimodal tasks, image captioning, text-to-image synthesis, and language modeling, supporting cross-domain analysis of architectural transferability. By linking diverse architectures, tasks, and deployment data, LEMUR 2 provides the data foundation for LLM fine-tuning and coupling diverse architectural origins with large-scale, cross-platform empirical validation. This dataset defines a new basis for reproducible and data-driven AI design, advancing the emerging paradigm of LLM-driven AutoML and architectural generalization across modalities and hardware.
• Abstract（参考訳）: 既存のNASベンチマーク(NAS-Bench、NATS-Bench)は、アーキテクチャ設計領域の狭いタスク固有の領域のみをカバーし、クロスドメインやデプロイメント対応の評価を欠いている。 LEMUR 2では、生成、評価、デプロイメントパイプラインを統合して、ニューラルネットワークの多様性を解放する大規模な拡張可能なフレームワークが導入されている。 14,000以上の異なるアーキテクチャと、モデルパフォーマンス、ハイパーパラメータ、タスク結果を記録した75万以上の構造化されたトレーニングレコードで構成されています。 これらのモデルは、ASTベースのコード変異、遺伝的および強化学習の進化、フラクタルアーキテクチャの生成、およびLarge Language Model (LLM) によって誘導された合成によって作成された。 これには、公開リポジトリから抽出された900以上のPyTorchモジュールからアーキテクチャモチーフを抽出し、使用した、検索拡張システムNN-RAGで生成されたディープモデルが含まれている。 LEMUR 2はさらにNN-VRとNN-Liteパイプラインを使用して、異種モバイルおよびUnityベースのVRプラットフォーム上での自動デプロイメントとレイテンシベンチマークを行い、リアルタイムのパフォーマンスメタデータを提供する。 マルチモーダルタスク、画像キャプション、テキスト・ツー・イメージ合成、言語モデリングにまたがり、アーキテクチャの転送可能性に関するクロスドメイン分析をサポートする。 多様なアーキテクチャ、タスク、デプロイメントデータをリンクすることで、LEMUR 2はLLMの微調整のためのデータ基盤を提供し、多様なアーキテクチャの起源と大規模でクロスプラットフォームな実証的な検証を結合する。 このデータセットは、再現性とデータ駆動型AI設計の新たな基盤を定義し、LLM駆動型AutoMLの新たなパラダイムと、モダリティとハードウェアを越えたアーキテクチャの一般化を推進している。

関連論文リスト

• Modeling and Recovering Hierarchical Structural Architectures of ROS 2 Systems from Code and Launch Configurations using LLM-based Agents [3.4923417716883]
  サブシステムレベルのリコールは、暗黙的な起動セマンティクスによるリポジトリの複雑さを伴う。 産業規模のコードサブセットを含む,3つのROS2リポジトリに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-02-20T22:36:47Z)
• Closed-Loop LLM Discovery of Non-Standard Channel Priors in Vision Models [48.83701310501069]
  大規模言語モデル(LLM)はニューラルアーキテクチャサーチ(NAS)に対する変換的アプローチを提供する 我々は、LLMが性能テレメトリに基づいてアーキテクチャ仕様を洗練する条件付きコード生成タスクのシーケンスとして検索を定式化する。 AST(Abstract Syntax Tree)変異を用いて,有効かつ整合性のあるアーキテクチャの膨大なコーパスを生成する。 CIFAR-100の実験結果は、この手法の有効性を検証し、精度の統計的に有意な改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2026-01-13T13:00:30Z)
• Cognitive-YOLO: LLM-Driven Architecture Synthesis from First Principles of Data for Object Detection [3.5554162308775408]
  本稿では,Large Language Models (LLM) によるアーキテクチャ合成のための新しいフレームワークであるCognitive-YOLOを提案する。 まず、分析モジュールがターゲットデータセットから重要なメタ特徴を抽出する。 第2に、LLMはこれらの特徴を理由として、Retrieval-Augmented Generation (RAG)を介して取得した最先端コンポーネントを付加し、アーキテクチャを構造化されたニューラルネットワーク記述言語(NADL)に合成する。 第三に、コンパイラは、この記述をデプロイ可能なモデルにインスタンス化する。
  論文  参考訳（メタデータ） (2025-12-13T10:52:54Z)
• A Retrieval-Augmented Generation Approach to Extracting Algorithmic Logic from Neural Networks [48.83701310501069]
  NN-RAGは,大規模で異種なPyTorchを検証済みニューラルネットワークの検索可能なライブラリに変換する検索拡張生成システムである。 19のリポジトリに適用して、パイプラインは1,289の候補ブロックを抽出し、991(73.0%)を検証し、80%以上が構造的にユニークであることを実証した。
  論文  参考訳（メタデータ） (2025-12-03T23:28:30Z)
• LM-Searcher: Cross-domain Neural Architecture Search with LLMs via Unified Numerical Encoding [55.5535016040221]
  LM-Searcherは、クロスドメインニューラルネットワーク最適化のための新しいフレームワークである。 我々のアプローチの中心は、ニューラルネットワークのための普遍的な数値文字列表現であるNCodeである。 我々のデータセットは、幅広いアーキテクチャとパフォーマンスのペアを含み、堅牢で伝達可能な学習を促進する。
  論文  参考訳（メタデータ） (2025-09-06T09:26:39Z)
• LEMUR Neural Network Dataset: Towards Seamless AutoML [35.57280723615144]
  我々は、PyTorchベースのニューラルネットワークの大規模なコレクションを提供するオープンソースのデータセットとフレームワークであるLEMURを紹介する。 各モデルは統一されたテンプレートに従い、構成と結果が構造化データベースに格納され、一貫性が保証される。 LEMURはAutoMLの研究を加速し、公正なベンチマークを可能にし、大規模ニューラルネットワーク研究の障壁を減らすことを目的としている。
  論文  参考訳（メタデータ） (2025-04-14T09:08:00Z)
• Arch-LLM: Taming LLMs for Neural Architecture Generation via Unsupervised Discrete Representation Learning [2.981775461282335]
  共通のアプローチは、分散アーキテクチャを連続的な表現空間にマッピングするために、変分オートエンコーダ(VAE)を使用することである。 本稿では,ベクトル量子化変分オートエンコーダ(VQ-VAE)を導入し,離散型ニューラルアーキテクチャとより自然に一致した離散潜在空間を学習する。 VAE法と比較して,本手法はNASBench-101では80%以上,NASBench-201では8%以上向上する。
  論文  参考訳（メタデータ） (2025-03-28T00:56:56Z)
• ZeroLM: Data-Free Transformer Architecture Search for Language Models [54.83882149157548]
  現在の自動プロキシ発見アプローチは、検索時間の拡張、データの過度なオーバーフィットへの感受性、構造的な複雑さに悩まされている。 本稿では,効率的な重み統計によるモデルキャパシティの定量化を目的とした,新しいゼロコストプロキシ手法を提案する。 本評価は,FlexiBERT ベンチマークで Spearman's rho 0.76 と Kendall's tau 0.53 を達成し,このアプローチの優位性を示すものである。
  論文  参考訳（メタデータ） (2025-03-24T13:11:22Z)
• SEKI: Self-Evolution and Knowledge Inspiration based Neural Architecture Search via Large Language Models [11.670056503731905]
  本稿では,新しい大規模言語モデル (LLM) に基づくニューラルアーキテクチャ探索 (NAS) 手法であるSEKIを紹介する。 現代のLLMにおけるチェーン・オブ・シント(CoT)パラダイムにインスパイアされたセキは、自己進化と知識蒸留という2つの重要な段階で動作している。
  論文  参考訳（メタデータ） (2025-02-27T09:17:49Z)
• A Survey of Model Architectures in Information Retrieval [59.61734783818073]
  2019年から現在までの期間は、情報検索(IR)と自然言語処理(NLP)における最大のパラダイムシフトの1つとなっている。 従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。 今後の課題と今後の方向性について、先見的な議論で締めくくります。
  論文  参考訳（メタデータ） (2025-02-20T18:42:58Z)
• Serving Deep Learning Model in Relational Databases [70.53282490832189]
  リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。 最先端のDL中心アーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。 UDF中心アーキテクチャの可能性は、リレーショナルデータベース管理システム(RDBMS)内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
  論文  参考訳（メタデータ） (2023-10-07T06:01:35Z)
• NAS-Count: Counting-by-Density with Neural Architecture Search [74.92941571724525]
  ニューラルアーキテクチャサーチ(NAS)を用いたカウントモデルの設計を自動化する エンド・ツー・エンドの検索エンコーダ・デコーダアーキテクチャであるAutomatic Multi-Scale Network(AMSNet)を導入する。
  論文  参考訳（メタデータ） (2020-02-29T09:18:17Z)

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。