安妮 发自 凹非寺
量子位 出品 | 公众号 QbitAI
△ 陈天奇
昨天，TVM、XGBoost、cxxnet等机器学习工具的作者陈天奇宣布，自己所在的华盛顿大学新成立了一个实验室，组织代号“SAML”。
陈天奇本人在微博上介绍说，实验室将有整合系统、体系结构、机器学习和程序语言4个方向的团队推进深度学习算法、系统的硬件和协同设计研究和TVM等开源项目。
△ 陈天奇微博截图
四个方向
华盛顿大学为什么想建立这个实验室？在SAML项目首页上，我们找到了答案。
我们想解决调度、网络、存储和编程抽象方面的新挑战，构建可从新兴硬件体系中受益的可扩展系统，处理不断增长的可用数据。重要的是，未来的模型和算法需要与硬件共同设计，系统级的要素需要告知硬件软件栈的设计。
我们需要建立通用、可复用的基础设施，并制造更智能的系统。目前，这些挑战和研究问题涉及计算机科学的多个领域。
因此，SAML问世。
简单说来，这是一个跨学科的机器学习研究小组，探索系统堆栈的多层次问题，包括深度学习框架、训练和推理的专用硬件、新的中间表示、可微编程和各种应用程序。
目前，实验室有四个研究方向。
一个方向是序列模型的专门化（Sequential Model Specialization），能通过自适应级联的深度模型为视频快速分类。
研究人员提出了一种级联的廉价分类器架构，并证明了当种类分布高度倾向于小型类集合时，这种专门化的模型准确率相对较高。
△ 专门化模型的架构
PHub项目是第二个方向，研究内容包括用于高效分布式深度神经网络训练的参数服务器。
这项研究以华盛顿大学和微软研究院的论文Parameter Hub: High Performance Parameter Servers for Efficient Distributed Deep Neural Network Training为基础，探索参数服务器的平衡设计。
论文地址：
http://www.sysml.cc/doc/16.pdf
第三个方向以陈天奇团队的TVM堆栈为基础，研究适用于深度学习的端对端优化堆栈。
去年8月，当陈天奇发布TVM时曾引起业内讨论的高潮，通俗点来说，这是一种把深度学习模型分发到各种各样硬件设备上的、端对端的解决方案，包含以下组件：
相关论文地址：
https://arxiv.org/abs/1802.04799
最后一个项目也与陈天奇有关，XGBoost项目是一个高效灵活的可扩展的树状增强系统，在梯度增强的框架下实现了机器学习算法。
相关论文地址：
https://arxiv.org/abs/1603.02754
参与团队
目前，项目的参与者均来自华盛顿大学，并由Sampa、Syslab、MODE和PLSE实验室的教师、研究生和本科生组成。
最后，附项目主页地址~
http://saml.cs.washington.edu/
作者系网易新闻·网易号“各有态度”签约作者
— 完 —
活动报名
加入社群
量子位AI社群16群开始招募啦，欢迎对AI感兴趣的同学，加小助手微信qbitbot6入群；
此外，量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募，面向正在从事相关领域的工程师及研究人员。
进群请加小助手微信号qbitbot6，并务必备注相应群的关键词~通过审核后我们将邀请进群。（专业群审核较严，敬请谅解）
诚挚招聘
量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态