Silhouette：实现性能感知和可转移的CPU嵌入
Silhouette: Toward Performance-Conscious and Transferable CPU Embeddings
Boston University（波士顿大学）；Intel Labs（英特尔实验室）
摘要：
学习嵌入被广泛用于获得简洁的数据表示，并实现不同数据集和任务之间的迁移学习。在本文中，我们提出了Silhouette，我们的方法，利用公开的性能数据集来学习CPU嵌入。我们展示了这些嵌入如何在不同类型和大小的数据集之间实现迁移学习。这些方案中的每一个都导致目标数据集的准确性的提高。
英文摘要：
Learned embeddings are widely used to obtain concise data representation and enable transfer learning between different data sets and tasks. In this paper, we present Silhouette, our approach that leverages publicly-available performance data sets to learn CPU embeddings. We show how these embeddings enable transfer learning between data sets of different types and sizes. Each of these scenarios leads to an improvement in accuracy for the target data set.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
