ترجمه فارسی مقاله پاک کردن استنتاج شبکه عصبی کدگذاری شده از طریق میانگین گیری فیشر

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Erasure Coded Neural Network Inference via Fisher Averaging
عنوان مقاله به فارسی پاک کردن استنتاج شبکه عصبی کدگذاری شده از طریق میانگین گیری فیشر
نویسندگان Divyansh Jhunjhunwala, Neharika Jali, Gauri Joshi, Shiqiang Wang
فرمت مقاله انگلیسی PDF
تعداد صفحات 7
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 2 September, 2024; originally announced September 2024. , Comments: Accepted to ISIT 2024
توضیحات به فارسی ارسال شده در 2 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: پذیرفته شده برای ISIT 2024
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Erasure-coded computing has been successfully used in cloud systems to reduce tail latency caused by factors such as straggling servers and heterogeneous traffic variations. A majority of cloud computing traffic now consists of inference on neural networks on shared resources where the response time of inference queries is also adversely affected by the same factors. However, current erasure coding techniques are largely focused on linear computations such as matrix-vector and matrix-matrix multiplications and hence do not work for the highly non-linear neural network functions. In this paper, we seek to design a method to code over neural networks, that is, given two or more neural network models, how to construct a coded model whose output is a linear combination of the outputs of the given neural networks. We formulate the problem as a KL barycenter problem and propose a practical algorithm COIN that leverages the diagonal Fisher information to create a coded model that approximately outputs the desired linear combination of outputs. We conduct experiments to perform erasure coding over neural networks trained on real-world vision datasets and show that the accuracy of the decoded outputs using COIN is significantly higher than other baselines while being extremely compute-efficient.

چکیده به فارسی (ترجمه ماشینی)

محاسبات کد پاک کن با موفقیت در سیستم های ابری برای کاهش تأخیر دم ناشی از عواملی مانند سرورهای تند و تیز و تغییرات ترافیکی ناهمگن استفاده شده است.اکثر ترافیک محاسبات ابری اکنون شامل استنباط در شبکه های عصبی بر منابع مشترک است که در آن زمان پاسخگویی به پرس و جوهای استنتاج نیز تحت تأثیر همین عوامل قرار دارد.با این حال ، تکنیک های کدگذاری پاک کننده فعلی تا حد زیادی روی محاسبات خطی مانند ضرب ماتریس-بردار و ماتریس ماتریس متمرکز شده اند و از این رو برای عملکردهای شبکه عصبی بسیار غیرخطی کار نمی کنند.در این مقاله ، ما به دنبال طراحی روشی برای کدگذاری شبکه های عصبی هستیم ، یعنی با توجه به دو یا چند مدل شبکه عصبی ، نحوه ساخت یک مدل رمزگذاری شده که خروجی آن ترکیبی خطی از خروجی های شبکه های عصبی داده شده است.ما مشکل را به عنوان یک مشکل Barycenter KL تدوین می کنیم و یک سکه الگوریتم عملی را پیشنهاد می کنیم که از اطلاعات فیشر مورب استفاده می کند تا یک مدل رمزگذاری شده ایجاد شود که تقریباً ترکیبی خطی مورد نظر از خروجی ها را به دست می آورد.ما آزمایشاتی را برای انجام کدگذاری پاک کردن بر روی شبکه های عصبی آموزش داده شده در مجموعه داده های دید در دنیای واقعی انجام می دهیم و نشان می دهیم که صحت خروجی های رمزگشایی شده با استفاده از سکه به طور قابل توجهی بالاتر از سایر خطوط است در حالی که بسیار کارآمد است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.