欧洲计算机系统会议
2024年4月
没有可用的摘要。
机器学习(ML)模型越来越多地部署在边缘设备上,以提供各种服务。然而,它们的部署伴随着模型隐私和可审计性方面的挑战。模型提供商希望确保(i)他们的。。。
本研究引入了实例软件索引顾问(IA2),这是一种新的基于深度强化学习(DRL)的方法,用于在面对潜在候选对象的大动作空间的数据库中优化索引选择。IA2推出双延迟深度。。。
图形神经网络(Graph Neural Networks,GNN)最近成为学习非欧几里德数据表示的流行方法,在从化学到源代码生成的不同领域中经常遇到这种方法。最近,研究人员关注学习。。。
数据中心越来越多地使用状态网络功能。然而,它们的可扩展性仍然是一个重大挑战,因为跨多个核心并行数据包处理需要仔细配置,以避免影响应用程序。。。
大型语言模型(LLM)在广泛的应用程序和用例中的成功创造了对LLM推理更快、更可扩展系统的需求。这些系统通过优化调度决策或。。。
随着许多团队构建和训练越来越先进的人工智能工作负载,GPU正成为一种需求旺盛的稀缺资源。随着GPU性能的提高,它们消耗更多的能量,NVIDIA最新的A100和H100图形卡。。。
联合学习是一种分布式的机器学习方法,在这种方法中,一个集中的服务器协调学习任务,而训练数据则分布在一组潜在的大型客户机中。本文的重点是前N个建议。。。
数据预处理包括样本大小调整、裁剪和过滤等任务,是机器学习(ML)工作流中的关键步骤。尽管预处理步骤在很大程度上被专注于优化训练算法的工作所忽略,但在。。。
解决数据漂移的机器学习(ML)模型个性化是物联网(IoT)应用环境中的一个重大挑战。目前,大多数方法侧重于微调全基模型或其最后几个。。。
深度学习培训是一个广泛使用GPU的昂贵过程。然而,并非所有的模型训练都会使现代强大的GPU饱和。为了为这种情况提供指导,本文检查了不同搭配方法的性能。。。
大型语言模型在生成和优化代码方面显示出巨大的潜力。广泛使用的采样方法(如Nucleus sampling)增加了生成的多样性,但在低温下通常会产生重复采样,而在。。。
尽管先前的批处理推理和参数高效微调技术已经降低了大型语言模型(LLM)的资源需求,但在资源受限的环境(如本地基础设施)中仍然存在挑战。。。
ML的广泛采用导致了对GPU硬件的高需求,从而导致公共云中GPU的严重短缺。在单个云区域中分配足够数量的GPU来训练或微调当今的大型ML模型通常是。。。
我们提出了ALTO,一种网络编配器,用于有效地服务复合人工智能系统,如语言模型管道。ALTO利用了特定于生成语言模型的优化机会,即从。。。
通信开销是联合学习(FL)的一个重要瓶颈,随着人工智能模型的不断扩大,这一瓶颈被夸大了。在本文中,我们提出了FedRDMA,这是一种高效的通信跨竖井FL系统,它将RDMA集成到。。。
本研究引入了De-DSI,这是一个新的框架,它将大型语言模型(LLM)与真正的分散式信息检索相结合,特别是在分散式环境中使用可区分搜索索引(DSI)概念。关注。。。
大型语言模型(LLM)彻底改变了许多不同自然语言处理任务的最新技术。尽管为LLM提供服务需要计算和内存,但小型语言模型(SLM)的兴起提供了新的机会。。。
资源超量使用允许数据中心提高资源效率。在这种方法中,系统向用户分配最可能使用的资源量,而不一定是请求的资源量。为此,系统监视资源。。。
许多最近的研究调查了机器学习的分散拓扑可以在多大程度上保护隐私,表明在各种情况下,交换的模型更新可能泄漏用户信息。在这项工作中,我们分析了隐私。。。
深度学习通常用于为各种活动向用户提供个性化建议。然而,深度学习推荐模型(DLRM)训练越来越被所有人和多对多的通信模式所主导。。。
生成性人工智能模型处于推进创造性和分析任务的前沿,推动了机器生成和理解的边界。其中,潜在扩散模型在生成高保真度。。。
移动和物联网应用程序越来越多地采用深度学习推理来提供智能。推理请求通常通过高度可变的无线网络发送到云基础设施,这导致了动态服务的挑战。。。
大型语言模型(LLM)已经成为推进人工智能和机器学习的重要工具,能够在自然语言处理和理解方面实现卓越的能力。然而,LLM的高效部署。。。
机器学习(ML)在公共和工业部门的集成已变得广泛,与ML-Enabled Systems整个生命周期中的传统软件开发方法相比,这带来了独特的挑战。特别是。。。
农业作为人类最重要的产业之一,面临着适应日益数据驱动的世界的挑战。这一领域的战略决策取决于能否获得准确和可操作的数据。
政府、大型农业公司,。。。
我们正在准备下载您的搜索结果。。。
文件准备好后,我们会在这里通知您。
您的搜索结果引用文件现已准备就绪。
您的搜索导出查询已过期。请重试。