Buchumschlag

PreNeT: Leveraging Computational Features to Predict Deep Neural Network Training Time

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pourali, Alireza, Boukani, Arian, Khazaei, Hamzeh
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Learning-Based Caching Mechanism for Edge Content Delivery
von: Torabi, Hoda, et al.
Veröffentlicht: (2024)

Physics-informed Convolutional Neural Network for Microgrid Economic Dispatch
von: Ge, Xiaoyu, et al.
Veröffentlicht: (2024)

CDFL: Efficient Federated Human Activity Recognition using Contrastive Learning and Deep Clustering
von: Khazaei, Ensieh, et al.
Veröffentlicht: (2024)

Data-Aware Training Quality Monitoring and Certification for Reliable Deep Learning
von: Yeganegi, Farhang, et al.
Veröffentlicht: (2024)

Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits
von: Qi, Jun, et al.
Veröffentlicht: (2024)

On the Neural Feature Ansatz for Deep Neural Networks
von: Tansley, Edward, et al.
Veröffentlicht: (2025)

Contextual Bandit Optimization with Pre-Trained Neural Networks
von: Terekhov, Mikhail
Veröffentlicht: (2025)

Trust, but Verify: Peeling Low-Bit Transformer Networks for Training Monitoring
von: Eamaz, Arian, et al.
Veröffentlicht: (2026)

Explaining Deep Neural Networks by Leveraging Intrinsic Methods
von: La Rosa, Biagio
Veröffentlicht: (2024)

BSFA: Leveraging the Subspace Dichotomy to Accelerate Neural Network Training
von: Zhou, Wenjie, et al.
Veröffentlicht: (2025)

Physics-Inspired Binary Neural Networks: Interpretable Compression with Theoretical Guarantees
von: Eamaz, Arian, et al.
Veröffentlicht: (2025)

Improving Generalization of Deep Neural Networks by Leveraging Margin Distribution
von: Lyu, Shen-Huan, et al.
Veröffentlicht: (2018)

Leveraging Intermediate Neural Collapse with Simplex ETFs for Efficient Deep Neural Networks
von: Liu, Emily
Veröffentlicht: (2024)

Error Diffusion: Post Training Quantization with Block-Scaled Number Formats for Neural Networks
von: Khodamoradi, Alireza, et al.
Veröffentlicht: (2024)

Understanding and Minimising Outlier Features in Neural Network Training
von: He, Bobby, et al.
Veröffentlicht: (2024)

Neural Network Training with Approximate Logarithmic Computations
von: Sanyal, Arnab, et al.
Veröffentlicht: (2019)

Multiscale Dubuc: A New Similarity Measure for Time Series
von: Khazaei, Mahsa, et al.
Veröffentlicht: (2024)

On the Hardness of Training Deep Neural Networks Discretely
von: Doron-Arad, Ilan
Veröffentlicht: (2024)

Deep Fusion: Efficient Network Training via Pre-trained Initializations
von: Mazzawi, Hanna, et al.
Veröffentlicht: (2023)

PSP: Pre-Training and Structure Prompt Tuning for Graph Neural Networks
von: Ge, Qingqing, et al.
Veröffentlicht: (2023)

Designing Latent Safety Filters using Pre-Trained Vision Models
von: Tabbara, Ihab, et al.
Veröffentlicht: (2025)

Concurrent Training and Layer Pruning of Deep Neural Networks
von: Guenter, Valentin Frank Ingmar, et al.
Veröffentlicht: (2024)

Training Deep Morphological Neural Networks as Universal Approximators
von: Fotopoulos, Konstantinos, et al.
Veröffentlicht: (2025)

Utilizing Graph Neural Networks for Effective Link Prediction in Microservice Architectures
von: Khodabandeh, Ghazal, et al.
Veröffentlicht: (2025)

Deep Neural Networks Tend To Extrapolate Predictably
von: Kang, Katie, et al.
Veröffentlicht: (2023)

Leveraging Deep Neural Networks for Aspect-Based Sentiment Classification
von: Li, Chen, et al.
Veröffentlicht: (2025)

Informed Forecasting: Leveraging Auxiliary Knowledge to Boost LLM Performance on Time Series Forecasting
von: Ghasemloo, Mohammadmahdi, et al.
Veröffentlicht: (2025)

Towards the Training of Deeper Predictive Coding Neural Networks
von: Qi, Chang, et al.
Veröffentlicht: (2025)

Iterative Training of Physics-Informed Neural Networks with Fourier-enhanced Features
von: Wu, Yulun, et al.
Veröffentlicht: (2025)

Beyond Point Matching: Evaluating Multiscale Dubuc Distance for Time Series Similarity
von: Ahmadzadeh, Azim, et al.
Veröffentlicht: (2025)

DeepRTE: Pre-trained Attention-based Neural Network for Radiative Transfer
von: Zhu, Yekun, et al.
Veröffentlicht: (2025)

On the Impact of Feature Heterophily on Link Prediction with Graph Neural Networks
von: Zhu, Jiong, et al.
Veröffentlicht: (2024)

Evaluation of Active Feature Acquisition Methods for Time-varying Feature Settings
von: von Kleist, Henrik, et al.
Veröffentlicht: (2023)

Exact Gauss-Newton Optimization for Training Deep Neural Networks
von: Korbit, Mikalai, et al.
Veröffentlicht: (2024)

Leveraging Exogenous Signals for Hydrology Time Series Forecasting
von: He, Junyang, et al.
Veröffentlicht: (2025)

HG-Adapter: Improving Pre-Trained Heterogeneous Graph Neural Networks with Dual Adapters
von: Mo, Yujie, et al.
Veröffentlicht: (2024)

Understanding the Benefits of SimCLR Pre-Training in Two-Layer Convolutional Neural Networks
von: Zhang, Han, et al.
Veröffentlicht: (2024)

TreeLUT: An Efficient Alternative to Deep Neural Networks for Inference Acceleration Using Gradient Boosted Decision Trees
von: Khataei, Alireza, et al.
Veröffentlicht: (2025)

Scaling Law for Large-Scale Pre-Training Using Chaotic Time Series and Predictability in Financial Time Series
von: Takemoto, Yuki
Veröffentlicht: (2025)

Enhancing Deep Neural Network Training Efficiency and Performance through Linear Prediction
von: Ying, Hejie, et al.
Veröffentlicht: (2023)