- Перенос обучения через разнородные функции для эффективной генерации тензорных программ (arXiv)
Автор: Гаурав Верма, Сиддхисанкет Раскар, Чжэнь Се, Абид М. Малик, Мурали Эмани, Барбара Чапман.
Аннотация: Настройка генерации тензорной программы включает в себя поиск различных возможных комбинаций преобразования программы для данной программы на целевом оборудовании для оптимизации выполнения тензорной программы. Это уже сложный процесс из-за огромного пространства поиска и экспоненциальных комбинаций преобразований, которые усложняют автонастройку генерации тензорных программ, особенно когда у нас есть неоднородная цель. В этом исследовании мы пытаемся решить эти проблемы, изучая совместные функции нейронной сети и оборудования и перенося их на новое целевое оборудование. Мы тщательно изучаем существующий современный набор данных TenSet, проводим сравнительный анализ стратегий разделения тестов и предлагаем методологии для сокращения набора данных. Мы используем подход, основанный на внимании, для настройки тензорных программ, позволяющий им встраивать функции нейронной сети и аппаратного обеспечения. Наш подход может сократить набор данных до 45% от базовой линии без ущерба для точности попарного сравнения (PCA). Кроме того, предлагаемая методология может обеспечить номинальное или улучшенное среднее время вывода с 25%-40% базового времени настройки в разных сетях и целевом оборудовании.
2. Глубокий анализ обнаружения рака молочной железы на основе трансферного обучения с использованием гистопатологических изображений (arXiv)
Автор: Мд Иштьяк Махмуд, Мунтасир Мамун, Ахмед Абдельгавад.
Резюме: Рак молочной железы является одним из наиболее распространенных и опасных онкологических заболеваний у женщин, хотя он также может поражать мужчин. Лечение и обнаружение рака молочной железы значительно облегчается использованием гистопатологических изображений, поскольку они содержат достаточно фенотипических данных. Глубокая нейронная сеть (DNN) обычно используется для повышения точности и обнаружения рака молочной железы. В нашем исследовании мы проанализировали предварительно обученные модели глубокого обучения, такие как ResNet50, ResNet101, VGG16 и VGG19, для обнаружения рака молочной железы с использованием набора данных 2453 гистопатологических изображений. Изображения в наборе данных были разделены на две категории: с инвазивной протоковой карциномой (IDC) и без IDC. Проанализировав модель трансферного обучения, мы обнаружили, что ResNet50 превзошла другие модели, достигнув показателей точности 90,2%, показателей площади под кривой (AUC) 90,0%, показателей отзыва 94,7% и предельных потерь 3,5%.
