Nov, 2018

DLHub：面向科研的模型和数据服务

PDF
TL;DR介绍了 Data and Learning Hub for science (DLHub)，它是一个多租户系统，具有模型库和服务功能，并专注于科学应用，这解决了当前系统中的一些局限性。DLHub 使用户能够共享、发布、验证、重现和重用模型，并通过简单的 Web 接口使用可扩展和低延迟的服务能力，以提高模型可用性和可访问性。
machine learningdata and learning hubmodel repositorymodel serving capabilitiesscientific applications
发现论文，激发创造
  • FLHub: 一种联邦学习模型分享服务

    本研究提出了一个名为 Federated Learning Hub（FLHub）的联邦学习模型共享服务，用户可以上传、下载、贡献由其他开发者开发的模型，类似于 GitHub。我们证明，分叉的模型比现有模型更快地完成了训练，并且每个联邦循环的学习速度更快。

    Feb, 2022

  • 支持材料科学机器学习的数据生态系统

    本文介绍两个项目 —— 材料数据中心和科学数据及学习中心，解决机器学习在材料科学中的应用问题，通过对例子的分析说明如何实现数据与机器学习模型之间的链接，并通过网络和程序接口访问这些功能。

    Apr, 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

  • DataLab：数据分析和干预平台

    DataLab 是一个用于交互式分析数据特征，提供标准接口进行数据处理操作，支持数据集推荐和全局视野分析的统一数据导向平台。

    Feb, 2022

  • 可靠分布式压缩机器学习模型训练

    提出了 DepL 框架，用于可靠的学习编排，能够在最小的培训成本下以目标概率达到目标学习质量，优于现有技术 27% 以上，并与最佳结果相近。

    Feb, 2024

  • M$^2$Hub：解锁机器学习在材料发现中的潜力

    M2Hub 是一个用于推动材料发现中机器学习进步的工具包，其尤为关注材料发现中的虚拟筛选、反设计和分子模拟三个关键领域，以及提供了适用于材料结构的最先进的机器学习方法和数据集来进行基准测试。

    Jun, 2023

  • 面向数据的机器学习在线市场：从发现到定价

    机器学习和数据建立了一个在线市场，设计了算法来自动发现任何机器学习任务的有用数据，并为卖出数据增强的机器学习模型设计了新的定价机制。

    Oct, 2023

  • AdapterHub Playground：使用 Adapter 进行简单灵活的少样本学习

    本文介绍了一个基于参数高效适配器模块的 AdapterHub Playground 工具，为使用预训练模型进行自然语言处理任务的研究人员提供了一个直观的界面，并且通过案例展示了其性能提升的优点，同时还进行了用户研究。

    Aug, 2021

  • DMLR：数据中心机器学习研究 -- 过去、现在与未来

    基于 2023 年 ICML 的 DMLR 研讨会和之前的会议讨论，我们概述了社区参与和基础设施发展对于创建推进机器学习科学的下一代公共数据集的重要性。作为一项集体努力，我们提出了一条前进的道路，以确保这些数据集和方法的持续创建和维护，以实现科学、社会和商业的积极影响。

    Nov, 2023

  • 大数据系统应对机器学习挑战：向大数据科学服务发展

    介绍大数据科学中使用云计算作为一种实用且成本效益高的解决方案，着重分析软件堆栈的建设模块，为数据科学家提供大数据分析应用的普及服务，为该领域的最新发展和挑战提供各种见解。

    Sep, 2017