提出了一种名为 SERENITY 的记忆感知编译器,利用动态规划找到了与 TensorFlow Lite 相比内存占用更少的最优计划,并通过图重写技术进一步优化,使其可以用于边缘设备。
Mar, 2020
本文提出了一种基于图卷积网络(GCN)的快速启发式调度策略,该策略可在集中式和分布式环境下实现。采用树搜索和 GCN 指导的一步展开的中心式启发式策略能快速的达到接近最优的解,基于浅层 GCN 的分布式启发式策略能减少近 50%的子最优解差距,且策略具有较好的推广性能。
Sep, 2021
该论文提出了一种基于图卷积网络的分布式最大权独立集求解器,通过学习拓扑感知节点嵌入和网络权重相结合,并调用贪心算法,即使在小型至中型无线网络中,浅层的基于 GCN 的 MWIS 调度器也可以利用图的拓扑信息将分布式贪心求解器的次优误差减半,在保持图形一般性的同时,增加的计算复杂性很小。
Nov, 2020
本文系统研究了多层异构边缘网络上的分布式图神经网络处理的成本优化,发现图神经网络的独特计算模式含有二次次模性质,在此基础上设计了基于图切割的迭代解法,并通过实验评估证明了其在成本降低、收敛速度等方面均具有优异性能。
Oct, 2022
通过在基于分布式贪婪框架上引入基于图的机器学习,我们提出了一种低开销、拥塞感知的分布式任务卸载方案,以应对无线多跳网络中来自多个移动设备的任务所造成的潜在网络拥塞问题。在仿真的无线多跳网络中,根据最短路径路由和基于争用的链路调度的资源分配方案,我们的方法在减少拥塞或不稳定队列的同时,提高了本地计算的执行延迟,相比于上下文不可知的基准方案。
Dec, 2023
本研究提出了一种通用和统一的框架,通过多级现场生成机制和混合精度基准,实现了高分辨率参数的即时恢复,从而以最小的硬件开销直接将昂贵的内存交易转换为超快的芯片内计算,提高了内存效率 10-20 倍。
Aug, 2021
本篇研究论文讨论如何使用深度学习方法,通过利用发射机和接收机之间的地理位置,不需要通道估计,对干扰链路的优化调度算法,提出了一种新的神经网络结构。并针对现有的基于模型的方法提出了相对公正的基于比例的调度方法。实际测试表明,该方法可适用于大型网络和不同链路密度的部署,并有效地提高了网络效用。
Aug, 2018
使用深度神经网络的合成图像数据集,本文提出了一种基于强化学习的调度框架 RESPECT,该框架学习最优化算法的行为并生成几乎最优的调度结果,同时解决了边缘计算系统中资源受限计算图的调度优化问题。
Apr, 2023
本研究提出了一种新的调度方法,使用 GFlowNet 方法按比例抽样代理指标,通过在推理时间控制所提出的时间表的差异性和优良性之间的权衡以及将 GFlowNet 条件化为计算图,证明了相对于我们的方法,纯优化基线在目标模型上的性能不佳。
Jan, 2023
采用深度强化学习方法,通过图神经网络模型实现网络资源的分配,该方法比现有的最佳启发式算法达到更高的接受率;即使在未适当训练的情况下,可以在规模比训练时大 $10^2$ 倍的数据中心网络中保持高性能。