TraceSynth 使用扩散模型生成用于机器学习诊断的合成内核跟踪

研究人员开发了 TraceSynth，一个新颖的基于扩散的框架，用于生成合成内核执行跟踪。这些合成跟踪旨在补充系统诊断中机器学习任务有限的真实世界数据。TraceSynth 利用基于 Transformer 的去噪扩散过程，并结合约束引导修复来维护系统不变性，并将模型跟踪视为多通道序列。该框架表现出强大的性能，特别是在 scimark2 等确定性、计算密集型工作负载中，合成增强达到了 87.2% 的 F1-Macro 分数。研究表明，上下文长度是跟踪质量的关键因素，并且轻量级模型可以在降低计算成本的同时保持显著的性能。 AI

影响 通过增强有限的真实世界跟踪数据，为系统诊断实现更强大、更具成本效益的机器学习。

排序理由 该集群包含一篇学术论文，详细介绍了使用扩散模型生成合成数据的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• ScienceCast
• scimark2
• TraceSynth
• Transformer++

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →