PulseAugur
中
实时 09:16:27
English(EN) DOPPLER: Dual-Policy Learning for Device Assignment in Asynchronous Dataflow Graphs

DOPPLER框架通过双策略学习优化机器学习工作负载

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了DOPPLER，一个新颖的三阶段框架，用于优化异步数据流图中的设备分配，特别是针对复杂的机器学习工作负载。该系统通过支持异步系统并整合强化学习和专家设计的启发式方法，解决了先前方法的局限性。DOPPLER的双策略网络，包括选择和放置策略，在减少执行时间和提高训练效率方面，与现有基线相比，表现出了卓越的性能。 AI

影响 为在异步系统上优化机器学习工作负载执行引入了一种新方法，有望提高效率并缩短训练时间。

排序理由 该集群包含一篇详细介绍优化机器学习工作负载新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Xinyu Yao, Daniel Bourgeois, Abhinav Jain, Yuxin Tang, Jiawen Yao, Zhimin Ding, Arlei Silva, Chris Jermaine ·

    DOPPLER：异步数据流图中设备分配的双策略学习

    arXiv:2505.23131v2 Announce Type: replace Abstract: We study the problem of assigning operations in a dataflow graph to devices to minimize execution time in a work-conserving system, with emphasis on complex machine learning workloads. Prior learning-based methods often struggle…

相关实体

相关话题