Feb, 2024

使用顺序元学习在多个环境中预测配置性能

PDF
TL;DR通过设计 SeMPL - 一个元学习框架，从在不同（元）环境中测量的配置中学习共同理解并将其推广到未知的目标环境，本文针对多个环境下的配置性能学习进行了研究，与 15 种最新技术模型进行对比实验，结果显示 SeMPL 在 89% 的系统上表现更好，准确性提高达到 99%，而且数据效率高，最大加速比达到 3.86 倍。
software configurationsperformance predictionconfigurable software systemsmeta-learning frameworkconfiguration data
发现论文，激发创造
  • 推进边界：专注于深度配置性能学习

    通过系统文献综述和实证研究，本论文提出了深度学习技术在配置性能建模方面的知识缺口，并通过比较编码方案、提出稀疏性鲁棒框架 DaL 和顺序元学习框架 SeMPL，显著提高了性能预测的准确性。

    Jul, 2024

  • 可配置系统性能建模的迁移学习：探索性分析

    本文在四个软件系统中进行了实验研究，以了解何时在性能建模中应用迁移学习有益。 结果表明，在环境变化较小的情况下，我们可以通过对性能模型应用线性变换来理解目标环境的性能行为，而在环境变化严重的情况下，我们只能迁移使采样更有效的知识，例如通过降低配置空间的维数。

    Sep, 2017

  • 深度配置性能学习：系统调查与分类

    本文综述了深度学习在可配置软件性能学习方面的研究，包括配置数据的准备、深度配置性能学习模型的构建、模型的评估以及与软件配置相关的不同任务中的应用。同时，文章还总结了在调查中发现的良好实践和可能存在的问题，以及对该领域未来机会的见解。

    Mar, 2024

  • Few-Shot 土地覆盖分类的元学习

    本文提出了一种基于概率学习算法的元学习方法，使得通过很少的样本数据，模型可以从一个地理区域适应到另一个地理区域，结合地球科学的数据多样性，利用元学习的方式优化之后可以获得更高的表现作为地科领域的一项有益的工具。

    Apr, 2020

  • 基于模拟的并行训练

    本文介绍一种训练框架，可对机器学习进行科学计算，并通过缓存数据来减轻同时生成数据的时间延迟。实验表明，该框架在多参数 Lorenz 吸引子的测试中成功缓解了数据偏差，从而可以更好地捕捉系统的复杂混沌动态。

    Nov, 2022

  • 基于半监督多任务学习的序列标注

    本文提出了一种序列标注框架，采用辅助训练目标，并通过学习预测数据集中每个词周围的单词进行语言建模，以此学习通用的语义和语法组合模式，并在不需要额外标注或未标注数据的情况下，实现在多个序列标注任务上取得一致的性能提升。

    Apr, 2017

  • EEML: 集成嵌入式元学习

    本文提出一种基于梯度元学习的嵌入式集成元学习算法 (EEML)，该算法显式地利用多模型集成将先前任务的先验知识组织成不同的特定专家，并依赖于任务嵌入聚类机制，在训练过程中将不同的任务交给匹配的专家并指导专家在测试阶段如何协作。实验证明，该方法在少样本学习问题上显著优于最近的最新技术。

    Jun, 2022

  • 面向序列场景的元学习在线推荐模型

    通过少次学习和元学习，将场景特定学习与模型无关的顺序元学习相结合，提出了一种名为 s^2meta 的综合端对端框架，可显著提高在线推荐的冷启动问题的状态艺术水平。

    Jun, 2019

  • 在线结构化元学习

    提出了一种在线结构化元学习（OSML）框架，该框架通过元分层图形式显式解开元学习器，通过不同的知识块构建元知识路径，从而使模型能够快速适应新任务并吸收新知识。通过在三个数据集上的实验，证明了该框架在同质性和异质性任务上的有效性和可解释性。

    Oct, 2020

  • 在线元学习

    该研究提出了一种综合了元学习和在线学习范式的在线元学习模型，运用改进后的 MAML 算法，实现连续终身学习，实验结果表明该算法明显优于传统的在线学习方法。

    Feb, 2019