文献

J-GLOBAL ID：202202246214585389   整理番号：22A0500203

C-MemMAP:メモリアクセス予測のためのクラスタリング駆動コンパクト,適応可能,一般化可能メタLSTMモデル【JST・京大機械翻訳】

C-MemMAP: clustering-driven compact, adaptable, and generalizable meta-LSTM models for memory access prediction

著者 (6件)： Zhang Pengmiao (University of Southern California, Los Angeles, CA, USA) ,  Srivastava Ajitesh (University of Southern California, Los Angeles, CA, USA) ,  Wang Ta-Yang (University of Southern California, Los Angeles, CA, USA) ,  De Rose Cesar A. F. (Pontifical Catholic University of Rio Grande do Sul, Porto Alegre, Brazil) ,  Kannan Rajgopal (US Army Research Lab, Los Angeles, USA) ,  Prasanna Viktor K. (University of Southern California, Los Angeles, CA, USA)
資料名： International Journal of Data Science and Analytics  (International Journal of Data Science and Analytics)
巻： 13  号： 1  ページ： 3-16  発行年： 2022年 
JST資料番号： W4462A  ISSN： 2364-415X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： Bigデータの上昇により,GPU,TPU,および不均一アーキテクチャを通して計算電力を増加させるのに,著しい努力があった。その結果,多くのアプリケーションはメモリ境界であり,即ち,それらは主要メモリから計算ユニットへのデータの動きによってボトルネックされる。この課題に対処する一つの方法は,メモリアクセスの正確な予測に依存するデータプリフェッチである。最近の深層学習モデルは,シーケンス予測問題に関してよく実行されてきたが,それらは,データプリフェッチのために実用的であるモデルサイズと推論待ち時間に関して,あまりにも重すぎる。ここでは,高精度で次のメモリアクセスを予測できるクラスタリング駆動コンパクトLSTMモデルを提案した。アプリケーションを信頼性良くクラスタ化できる委任モデルと呼ぶ新しいクラスタリング手法を導入した。各クラスタに対して,クラスタにおける任意のアプリケーションに迅速に適応できるコンパクトなメタ-LSTMモデルを訓練した。アクセス予測に関する以前のLSTMベースの作業は,より多くのパラメータを用いて,各アプリケーション(トレース)のための1つのモデルを開発した。応用あたり1つ(特殊化)モデルはより精度をもたらすが,スケーラブルなアプローチではない。対照的に,著者らのモデルは,より一般化可能なコンパクトなメタモデルのために,ランタイムで少数の再訓練ステップのコストで特殊化をトレードオフすることによって,アプリケーションのクラスを予測できる。13のベンチマークアプリケーションに関する著者らの実験は,クラスタリング駆動アンサンブルコンパクトメタモデルが,アプリケーションの大部分に対して再訓練の少数のバッチを用いて,特殊化モデルに近い精度を得ることができることを示した。Copyright The Author(s), under exclusive licence to Springer Nature Switzerland AG 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *記憶装置 ,  学習 ,  信頼性 ,  電力 ,  *クラスタ化 ,  *クラスタ ,  応用プログラム ,  待ち時間 ,  ベンチマーク ,  計算機アーキテクチャ
準シソーラス用語： プリフェッチ ,  *メモリアクセス ,  高精度 ,  メタモデル ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： LSTM ,  圧縮 ,  クラスタリング ,  Meta学習

分類 (1件)： 専用演算制御装置  (JC04030Y)

タイトルに関連する用語 (8件)： メモリアクセス ,  予測 ,  クラスタリング ,  コンパクト ,  適応 ,  一般化 ,  LSTM ,  モデル