抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
正確な自動最適化発見的方法は最新のハードウェアとソフトウェアのthecomplexityと多様性を扱うための必要である。機械学習は,このような発見的方法を学習するためのaproven技術であるが,その成功は用いられている特徴のthequalityにより結合していた。これらの特徴は,専門家のドメイン知識と試行錯誤の複合をdevelopersthroughによる工夫でなければならない。最終モデルのこのmakesthe品質システム建築家のスキルとavailabletimeに依存した。著者らの研究は,建物の発見的方法のためのより良い方法を紹介した。生コード上の発見的方法を学習する,codefeaturesを用いずに完全にdeepneuralネットワークを開発した。ニューラルネットワークを同時にコードのappropriaterepresentationsを構築し,最適化するための最良の方法を学習する,needforマニュアル特徴生成を除去した。さらにこのニューラルネットは一つの最適化問題から他へtransferlearning,newmodelsの精度を改善し,ヒトの専門家の助けなしにできることを示した。は専門家が手で選んだ特徴を持つagainstones著者らの自動的に生成された発見的方法の有効性を比較した。二つの挑戦的なタスク:異種並列性とGPU threadcoarsening因子に対する最適なマッピングを予測することを検討した。症例の89%で,完全にautomaticheuristics一致またはusinghand工夫特徴最新予測法の性能を上回り,平均14%と12%より性能withno人間の努力を提供の品質特徴を設計する上で消費された。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】