Mais conteúdo relacionado
"Active Learning for Multi-Objective Optimization" read ICML 2013
- 2. 読む論文
•“Active Learning for Multi-Objective Optimization”
•問題:
•Multi-objective learning:
•複数の相反する目的関数を最適化したい
•例:ハードウェア設計ー電力消費、パフォーマンス、実装面
積など
•全データを評価するのはコストがかかる
•できるだけ少ないデータの評価で済ませたい
•提案手法:Pareto Active Learning (PAL)
•Gaussian processで目的関数の確率モデル化
•active learningで選択的な探索
•Pareto-optimalな集合を探す問題として、multi-objective
learningを定式化
- 16. Experiment: SNW dataset
•SNW (Sorting Network) dataset
•FPGA (field-programmable gate array): 電子回路を自由にプログラ
ムできるハードウェア
•通電で回路の更新が可能
•応用:特定用途ハードウェア回路(通信、暗号、研究(分子間力計算))
•入力空間:高レベル表現をどのようにハードウェア実装にコンパイル
するか?(d=4, |E|=206点)
•高コスト(大規模回路では数時間)
•目的関数:
ベンチマークでの
パフォーマンスと消費電力
- 18. Experiment: SW-LLVM dataset
•LLVM: コンパイラ基盤
•仮想マシン+各アーキテクチャ(e.g. x86)のネイティブコードへの変換
•GCCを始めとした20以上の言語がLLVMバイトコードを出力可能
•入力空間:
•d=11(11個のコンパイラオプション
のオン・オフ, |E|=1023)
•目的関数:ベンチマークソフトウェアの
LLVM上でのパフォーマンスとメモリ使用量