deep learning recommendation models | BriefGPT

关键词deep learning recommendation models

搜索结果 - 8

UpDLRM: 使用真实世界的 PIM 架构加速个性化推荐
利用实际世界的处理内存 (PIM) 硬件 UPMEM DPU，提出 UpDLRM，以增加内存带宽并减少推荐延迟。通过利用 DPU 内存的并行特性，可以为嵌入式查找中的大量不规则内存访问提供高聚合带宽，从而在推理时提供巨大潜力来降低延迟。通过
PDF16 days ago
分立多塔：拓扑感知建模技术用于高效大规模推荐
研究了深度学习推荐模型的平面结构、常见的分布式训练范式和层次化数据中心拓扑之间的不匹配性，提出了分离式多塔（DMT）模型技术，包括保持语义的塔变换（SPTT）、附加在每个塔上的塔模块（TM）以减少模型复杂性和通信量以及可系统创建带有有意义特
PDF4 months ago
行动胜于语言：万亿参数顺序转导器用于生成推荐
HSTU-based Generative Recommenders, with 1.5 trillion parameters, outperform baselines by up to 65.8% in NDCG, improve m
PDF4 months ago
MTrainS：使用异构内存提高 DLRM 训练效率
通过优化平台内存层次结构，设计 MTrainS 在深度学习推荐模型 (DLRM) 中降低节点数目，优化内存容量，提高训练效率，从而减少功耗和训练成本。
PDFa year ago
RecShard：基于统计特征的内存优化技术，适用于工业级神经推荐
该研究提出了一种基于训练数据分布和模型特征的优化的 RecShard 方法，适用于嵌套的内存架构中对深度学习推荐模型 (Deep Learning Recommendation Models, DLRMs) 中的 EMB 内存表进行分区和布
PDF2 years ago
TT-Rec: 深度学习推荐模型的张量列车压缩
本文研究了深度学习推荐模型中嵌入表的内存容量问题并提出了 Tensor Train 分解的解决方案。通过优化成熟度更低的 TT-Rec 及其核心部件 TT-EmbeddingBag，它在 Kaggle 和 Terabyte 数据集上均实现了
PDF3 years ago
Facebook 数据中心中的深度学习培训：大规模上下文系统设计
本文介绍了 Facebook 在机器学习中使用的大规模推荐模型 (DLRMs)，探讨了在模型规模和复杂性不断增加时，如何高效地扩展训练。为了解决这个问题，Facebook 设计了 Zion 平台，作为下一代大内存训练平台，由 CPU 和加速
PDF4 years ago
SIGIR大规模推荐系统的分布式等效替换训练
本文介绍了一种新的分布式训练框架 Distributed Equivalent Substitution（DES）进行大规模推荐系统的训练，采用同步训练的方式，采用子操作替代了权重操作，在结果聚合方面也采用聚合部分结果代替直接传输稀疏权重的
PDF5 years ago