論文の概要: Performance of Neural Operator Baselines on 'The Well' Dataset

• arxiv url: http://arxiv.org/abs/2610.33967v1
• Date: Sun, 25 Oct 2026 00:44:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.511042
• Title: Performance of Neural Operator Baselines on 'The Well' Dataset
• Title（参考訳）: The Well'データセットを用いたニューラル演算子ベースラインの性能評価
• Abstract要約: ウェルは16の物理シミュレーションドメインにまたがる15テラバイトのデータセットである。 複雑な物理システムのための機械学習サロゲートモデルの開発と評価のためのベンチマークを提供する。
• 参考スコア（独自算出の注目度）: 59.94239721143714
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Well, a 15-terabyte dataset spanning 16 physical simulation domains, provides an extensive benchmark for developing and evaluating machine learning surrogate models for complex physical systems. The baselines released with the benchmark were presented by their authors as illustrative examples obtained at small computational cost, trained with zero to very limited hyperparameter tuning and under a highly constraining 12-hour per-run wall-clock limit. These results have subsequently been treated as fully tuned benchmarks, and in some cases effectively interpreted as unconstrained performance baselines. We perform a short non-exhaustive hyperparameter search for the Tucker-factorized Fourier Neural Operator (TFNO) under the same 12-hour per-run wall-clock limit, while using only a single input timestep rather than the history of up to four used by the published baselines. Despite this more restrictive setup, tuning alone reduces VRMSE below both published FNO and TFNO baselines on 15 of 17 tasks, sometimes by several orders of magnitude. This sensitivity to a modest tuning effort underscores that the released neural operator baselines should not be treated as architectural benchmarks.
• Abstract（参考訳）: 16の物理シミュレーションドメインにまたがる15テラバイトのデータセットであるWellは、複雑な物理システムのための機械学習サロゲートモデルの開発と評価のための広範なベンチマークを提供する。 ベンチマークでリリースされたベースラインは、小さな計算コストで得られた実証的な例として著者によって提示され、非常に制限されたハイパーパラメータチューニングと、非常に制約のある壁面時間当たりの12時間制限の下で訓練された。 これらの結果はその後、完全に調整されたベンチマークとして扱われ、場合によっては、制約のないパフォーマンスベースラインとして効果的に解釈される。 我々は,タッカー駆動型フーリエニューラル演算子(TFNO)を,同じ12時間毎のウォールクロック制限下で短時間で探索すると同時に,公開ベースラインが使用した4回までの履歴ではなく,1回の入力タイムステップのみを使用する。 この制限的な設定にもかかわらず、チューニングだけでは、公表されたFNOとTFNOのベースラインを17タスク中15タスク、時には数桁減らすことができる。 この微妙なチューニング作業に対する感度は、リリースされたニューラルオペレーターのベースラインがアーキテクチャベンチマークとして扱われるべきでないことを強調している。

関連論文リスト

• Towards Easier-to-Tune Training Algorithms: New Results from AlgoPerf [19.18316181277684]
  レポートは、ベンチマークの自己チューニングルールセットの結果に焦点を当てている。 固定ハードウェア上の9つのワークロードにまたがるウォールクロックにおける新しいトレーニングアルゴリズムの評価を行った。
  論文  参考訳（メタデータ） (2026-10-09T05:47:51Z)
• Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings [66.3653308198376]
  SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。 SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
  論文  参考訳（メタデータ） (2026-09-16T15:34:21Z)
• Empowering On-Device Model Adaptation with an Edge AI Inference Accelerator [43.8008779739425]
  オンデバイスモデル適応は、リソース制約のあるハードウェア上で生涯のパーソナライズを可能にするために不可欠だが、計算、電力、メモリ制限は、現代のディープニューラルネットワークではエンドツーエンドのバックプロパゲーションを非現実的にする。 この研究は、デバイス上でのトレーニング中にフリーズバックボーン特徴抽出のために、商用エッジAI推論アクセラレータであるHairo-8Lを再利用した異種適応パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-07-20T16:02:58Z)
• PAI: Fast, Accurate, and Full Benchmark Performance Projection with AI [0.6433095104138578]
  我々は,詳細なシミュレーションや命令ワイドエンコーディングに頼ることなく,ベンチマーク性能を正確に予測する最初の手法であるPAIを提案する。 PAIは、SPEC CPU 2017ベンチマークスイートで平均9.35%のIPC予測エラーを達成でき、スイート全体では2分57秒しかかからない。 この予測誤差は従来の最先端技術に匹敵するが、3桁の時間を要する。
  論文  参考訳（メタデータ） (2026-03-18T19:34:32Z)
• Automatic Generation of Fast and Accurate Performance Models for Deep Neural Network Accelerators [33.18173790144853]
  本稿では,Deep Neural Networks (DNN) のレイテンシを正確に推定する高速性能モデルのための自動生成手法を提案する。 我々は、Gemmini、UltraTrail、Plastinine由来、パラメータ化可能なシストリックアレイなどの代表的DNNアクセラレータをモデル化した。 ループカーネルを154回繰り返して評価し,419億命令のパフォーマンスを推定し,大幅な高速化を実現した。
  論文  参考訳（メタデータ） (2024-09-13T07:27:55Z)
• Strong Baselines for Parameter Efficient Few-Shot Fine-tuning [50.83426196335385]
  FSC (Few-shot Classification) は、事前訓練(メタトレーニング)フェーズの後にクラス毎にいくつかの例を与えられた新しいクラスを学習する。 近年の研究では、新しいテストクラスで事前訓練された視覚変換器(ViT)を微調整することが、FSCにとって強力なアプローチであることが示されている。 しかし、微調整のViTは、時間、計算、ストレージに費用がかかる。 これにより、Transformerのパラメータのごく一部だけを微調整するPEFT法が考案された。
  論文  参考訳（メタデータ） (2023-04-04T16:14:39Z)
• Anticipate, Ensemble and Prune: Improving Convolutional Neural Networks via Aggregated Early Exits [7.967995669387532]
  我々は,早期出口の重み付けアンサンブルに基づく新たなトレーニング手法であるPrecipate,Ensemble and Prune(AEP)を提示する。 AEPは従来のトレーニングよりも平均精度を最大15%向上させることができる。
  論文  参考訳（メタデータ） (2023-01-28T11:45:11Z)
• Accelerating Training and Inference of Graph Neural Networks with Fast Sampling and Pipelining [58.10436813430554]
  グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。 我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。 本稿では,これらのボトルネックを緩和する一連の改良点について述べる。 また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
  論文  参考訳（メタデータ） (2021-10-16T02:41:35Z)
• Q-ASR: Integer-only Zero-shot Quantization for Efficient Speech Recognition [65.7040645560855]
  ASRモデルに対する整数のみのゼロショット量子化スキームであるQ-ASRを提案する。 全精度ベースラインモデルと比較すると,wrの変化は無視できる。 Q-ASRは、WER劣化が少ない4倍以上の圧縮率を示します。
  論文  参考訳（メタデータ） (2021-03-31T06:05:40Z)
• Taming GANs with Lookahead-Minmax [63.90038365274479]
  MNIST, SVHN, CIFAR-10, ImageNetによる実験結果から, Lookahead-minmaxとAdam, Exgradientの併用が明らかとなった。 30倍のパラメータと16倍のミニバッチを使用して、クラスラベルを使わずに12.19のFIDを得ることにより、CIFAR-10上でクラス依存のBigGANのパフォーマンスを上回ります。
  論文  参考訳（メタデータ） (2020-06-25T17:13:23Z)

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。