核心概念
複雑な関係性を考慮した効率的なモデル選択フレームワークを提案する。
摘要
本論文では、Fennecという実用的なフレームワークが紹介されており、歴史的なタスクとモデル間の転送可能性を考慮したランキングが行われています。このフレームワークは、タスクとモデルの類似性スコアによってニューラルネットワーク構造の類似性を評価し、効率的かつ正確な結果を提供します。さらに、105種類以上のプリトレーニング済みモデルを含む大規模なベンチマークも導入されており、他の手法よりも優れたパフォーマンスを示しています。
統計資料
O(1)時間複雑度で転送スコアが計算される。
105種類以上のプリトレーニング済みモデルが含まれる大規模なベンチマークが使用される。
引述
"Our approach achieves top-tier performance with minimal time, offering a superior solution for large-scale model ranking."
"The results on two benchmarks show that our approach outperforms existing approaches in both efficiency and precision."