• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>IEEE International Symposium on Computer Architecture and High Performance Computing >HYPPO: A Hybrid, Piecewise Polynomial Modeling Technique for Non-Smooth Surfaces
【24h】

HYPPO: A Hybrid, Piecewise Polynomial Modeling Technique for Non-Smooth Surfaces

机译：HYPPO：一种用于非光滑表面的混合分段多项式建模技术

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The number and diversity of tunable parameters in applications makes predicting settings that achieve optimal performance challenging. Complicating matters is the fact that resources are increasingly shared among computational tasks (for example, in cloud environments). Choosing any setting that yields near-optimal performance runs the risk of overusing shared resources. Building accurate models that capture the complicated interplay of parameters is crucial in order to maximize performance with minimal resource impact. Traditional techniques tend to fall short when modeling performance. One reason is that performance surfaces are often irregular but most traditional techniques are designed to produce smooth models. In this paper we introduce a hybrid modeling technique that combines the strengths of surrogate-based modeling (SBM) and k nearest-neighbor regression (kNN) into a single method called HYPPO. The hybrid method is a piecewise polynomial model composed of many small, local models. We demonstrate that HYPPO significantly improves overall prediction accuracy compared with SBM and kNN.
机译：应用程序中可调参数的数量和多样性使预测设置达到最佳性能具有挑战性。使问题变得复杂的事实是，资源越来越多地在计算任务之间共享（例如，在云环境中）。选择任何产生近乎最佳性能的设置都存在过度使用共享资源的风险。建立捕获参数之间复杂相互作用的精确模型，对于最大限度地提高性能和最小化资源影响至关重要。在对性能进行建模时，传统技术往往不足。原因之一是性能表面通常是不规则的，但是大多数传统技术都是设计用来生成平滑模型的。在本文中，我们介绍了一种混合建模技术，该技术将基于代理的建模（SBM）和k最近邻回归（kNN）的优势结合到了一种称为HYPPO的方法中。混合方法是由许多小的局部模型组成的分段多项式模型。我们证明，与SBM和kNN相比，HYPPO显着提高了整体预测准确性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号