联邦学习和群智学习等协作学习技术,能够在保护数据隐私的条件下充分利用分布在各地的分布式数据深度挖掘数据中所蕴含的知识,拥有非常广阔的应用前景,尤其是在强调隐私惯例和道德约束的医疗健康领域.任何协作工作都需要选择可靠的参与方,协作学习中全局模型的性能在很大程度上取决于参与方的选择.然而,现有研究在选择参与方时都没有对不同机构医疗数据中存在的异质性加以直接关注.导致包含稳定性在内的全局模型的性能难以得到保障.提出了从信誉的角度尝试探索求解该问题.以迭代协作学习的方式尽可能挑选出具有良好信誉的参与方进行协作学习,以获得稳定可靠的高性能全局模型.首先,提出了一个描述医疗机构数据质量的AI信誉值指标AMP(AI medical promise),以帮助其在医疗领域中形成良好的AI生态.其次,建立了一个基于后向选择的迭代协作学习(colback-learning)框架.在单次协作学习任务中,利用后向选择方法以多项式时间复杂度迭代计算出性能良好且稳定的全局模型,完成AMP计算和积累.在AMP信誉值计算中,制定了一个综合考虑全局性能指标的评分函数,以针对医疗领域更有效地指导全局模型的训练.最后,使用真实医疗数据模拟多样化的协作学习场景.实验表明,colback-learning能够选择可靠参与方训练得到性能良好的全局模型,模型的性能稳定性比现有最好的参与方选择方法提高了1.3~6倍.全局模型的可解释性与集中式学习保持了较高的一致性.
传统磁盘存储设备因其固有的机械特性,已不能满足当前的数据密集型应用程序的需求。基于闪存的固态存储设备(solid state drive,SSD)的出现改善了这种情况,并被广泛用作缓存以降低内存与磁盘之间的性能差距。针对由DRAM和SSD构成的多级...
详细信息
传统磁盘存储设备因其固有的机械特性,已不能满足当前的数据密集型应用程序的需求。基于闪存的固态存储设备(solid state drive,SSD)的出现改善了这种情况,并被广泛用作缓存以降低内存与磁盘之间的性能差距。针对由DRAM和SSD构成的多级缓存,提出了一种可配置的历史信息感知的多级缓存替换策略***允许用户配置应用的访问模式、读写模式等多项内容,并且还可以根据应用对文件的历史访问信息来判断访问模式,从而能够适应访问模式的变化.此外,Charm过滤掉那些只访问一次的数据,将多次访问的热数据缓存至SSD,减少对SSD的写入次数,提升SSD寿命.使用MCsim对Charm与现有的多级缓存替换算法进行了对比测试,在实际的工作负载下,Charm优于其它多级缓存算法.
由于传统的磁盘甚至已广泛应用的Flash固态盘已无法很好地满足当前对存储器在集成度、读写速度、可靠性方面的需求,故须积极寻找新一代存储介质尝试与当前存储器混合使用甚至替代之.而磁阻随机存储器(magnetic random access memory,MR...
详细信息
由于传统的磁盘甚至已广泛应用的Flash固态盘已无法很好地满足当前对存储器在集成度、读写速度、可靠性方面的需求,故须积极寻找新一代存储介质尝试与当前存储器混合使用甚至替代之.而磁阻随机存储器(magnetic random access memory,MRAM)作为一种非易失性存储器,拥有静态随机存储器(satic random access memory,SRAM)的高速读取写入能力,以及动态随机存储器(dynamic random access memory,DRAM)的高集成度,同时比DRAM更低的能耗,并具有无限的读写次数,这些优秀的特性使得MRAM拥有很好的潜力成为下一代主流存储介质.为了对MRAM的读写性能、功耗等有深入的理解,设计并实现了一个MRAM测试平台,完成对MRAM读写性能测试和特性数据采集.该测试平台主要由MRAM控制器设计、MRAM特性数据采集、读写性能测试3个方面组成,由MRAM控制器对MRAM芯片进行读写完成读写性能测试,采集MRAM在读、写、空闲等状态下的特性数据.实验表明,MRAM具有良好的读写性能和低功耗,有条件成为下一代主流存储介质.
暂无评论