面向亿级规模应用自动调优的多任务与迁移学习
机器学习
2019-08-19 v1 分布式、并行与集群计算
机器学习
摘要
当存在额外知识可辅助预测任务时，多任务学习与迁移学习已在机器学习领域被证明是有用的。我们旨在推导遵循这些范式的方法以用于自动调优，其目标是将应用的最优性能参数视为黑盒函数进行寻找。我们给出了与最先进自动调优技术的对比结果。例如，我们观察到相比 OpenTuner 与 HpBandSter 自动调优器，应用运行时间平均有 的提升。我们解释了我们的方法为何比某些最先进自动调优器更适用于一般任意应用、尤其是昂贵的亿级规模应用的调优。
引用
@article{arxiv.1908.05792,
title = {Multitask and Transfer Learning for Autotuning Exascale Applications},
author = {Wissam M. Sid-Lakhdar and Mohsen Mahmoudi Aznaveh and Xiaoye S. Li and James W. Demmel},
journal= {arXiv preprint arXiv:1908.05792},
year = {2019}
}