Oct, 2018

NSML：遇见具有真实世界案例的 MLaaS 平台

PDF
TL;DR我们提出了 NSML，一种机器学习即服务（MLaaS）平台，以满足在企业规模下开发机器学习工作的需求，为用户提供了易于使用的集群以及协作环境，同时提供可视化工具以协助用户分析其工作。通过实验证明了 NSML 的有用性和可访问性，并通过三个具有真实使用案例的竞赛检验了 NSML 的协作优势。
machine learningnsmlmlaascollaborationvisualization
发现论文，激发创造
  • NSML：一种机器学习平台，使您专注于您的模型

    我们提出了一个名为 NAVER Smart Machine Learning (NSML) 的系统，用于处理机器学习任务中的 GPU 分配、可视化学习状态、处理模型参数快照、超参数修改以及性能指标比较等任务，通过实验确认其能够提升模型开发效率。

    Dec, 2017

  • 通过利用公共数据提取深度神经网络的框架

    使用主动学习和大规模公共数据集的模型提取框架，可以通过黑盒访问从图像和文本领域的各种数据集中训练出的深度分类器，其中仅使用其 30%（30,000 个样本）的数据集。

    May, 2019

  • IBM 深度学习服务

    本文介绍了 IBM 的深度学习服务（DLaaS）的软件架构细节，该服务提供深度学习库，通过分布和编排层，资源供应层实现在云中可伸缩和弹性的管理，利用深度学习以及云计算相结合的业务模式，将传统机器学习方法向深度学习推进。

    Sep, 2017

  • 模式即服务（MaaS）：调查

    Model-as-a-Service (MaaS) 是一种新的部署和服务范式，为不同的基于人工智能的模型提供了可扩展和可访问的解决方案，本文综述了 MaaS 的意义、其在各个行业的应用以及未来研究的挑战和问题。

    Nov, 2023

  • Continual-Learning-as-a-Service (CLaaS): 预测模型的即时高效适应

    本文介绍了 Continual Learning-as-a-Service (CLaaS) 模型服务的设计与实现，提供了模型更新和验证工具，支持实时推断，易于使用且高效。经过两个真实场景的评估，发现该模型服务具有良好的可用性和效率，能有效地解决实践中的问题。

    Jun, 2022

  • 可扩展的端到端机器学习平台：从自动机器学习到自助式服务

    研究探讨了机器学习平台的发展、可伸缩性以及实现自助服务质量的要求和能力，并结合两个商业化的端到端机器学习平台来说明其推广应用及未来发展的目标。

    Feb, 2023

  • MLaaS 中的私有训练集检查

    本文提出了一种基于数据来源的方法，为使用机器学习模型的客户提供验证私有训练数据集的公平性和多样性的策略，结合了阴影训练技术和多实例学习中的高效特征捕获方案。实验结果表明，该方法可实现高达 0.87 的准确度的成员检查和高达 99.3％的多样性和公平性分布检查的置信度。

    May, 2023

  • MLSys: 机器学习系统的新前沿

    介绍 ML 系统在实际部署中的难点，并提出在传统系统和 ML 领域交叉的新兴研究方向：ML 系统的硬件和软件实现以及针对预测精度之外的指标进行的 ML 优化，同时介绍了一个新的会议 MLSys。

    Mar, 2019

  • 主动学习与模型提取之间的关系探索

    本文介绍了机器学习作为服务（MLaaS）的流行，及其可能带来的隐私问题。作者对模型提取和相关的攻防策略进行了探讨，并探究了主动学习和模型提取之间的联系。

    Nov, 2018

  • OpenML：机器学习中的网络科学

    介绍了 OpenML，这是一个用于分享和组织详细数据以更有效地工作、更可见和与他人合作解决更困难问题的机器学习研究者的场所，探讨了 OpenML 与其他网络科学实例的关系以及对机器学习研究、科学家和学生从业者带来的好处。

    Jul, 2014