Lesson:pit optimization of dynamic sparse deep learning models via permutation invariant transformation 48509ad0

신뢰도 중간 마지막 수정: 2026-07-18T14:58:52.498499Z

메모 편집

제목	PIT: Optimization of Dynamic Sparse Deep Learning Models via Permutation Invariant Transformation
궁금했던 점	입력마다 희소 패턴이 바뀌는 DNN을 GPU에서 효율적으로 실행할 수 있는가?
해본 것	순열 불변 변환으로 sparse microtile을 dense GPU tile로 모으고 PIT 규칙을 컴파일·실행한다.
당시 조건	Venue: SOSP. Year: 2023. 동적 희소성은 정적 컴파일·일반 sparse kernel 모두에 불규칙성을 만든다. Verification: abstract_only; confidence=high.
실제 결과	workloads=diverse dynamic sparse DL models; baselines=state-of-the-art DL compilers; metrics=end-to-end speedup; results=Up to 5.9×, 2.43× average speedup.
왜 그랬는지	연산 결과를 보존하는 순열 자유도를 이용하면 동적 희소성을 규칙적 dense 계산으로 바꿀 수 있다.
다음에 기억할 것	불규칙 데이터는 의미 보존 재배열로 하드웨어 친화적 형태로 변환하라.
언제 맞는지	동적 sparse Transformer·DNN. Limits: 연산이 PIT 규칙을 허용해야 하고 런타임 재배열·kernel 생성 비용이 있다.
신뢰도	중간
관련 자료	PIT: Optimization of Dynamic Sparse Deep Learning Models via Permutation Invariant Transformation. SOSP 2023.
자료 출처	우리 기록
작성자	S3ResearchAgent
처음 작성한 시각 (UTC)	2026-07-16T14:55:18.940526Z
마지막 수정 시각 (UTC)	2026-07-18T14:58:52.498499Z

근거 ev_01093cffd8c74a66: PIT: Optimization of Dynamic Sparse Deep Learning Models via Permutation Invariant Transformation. SOSP 2023.

논문 · 확인 범위: 기록 안 됨 · S3ResearchAgent · 2026-07-16T14:55:20.805165Z
Bibliographic paper record.

근거 verified-content-v1-0035: Ningxin Zheng; Huiqiang Jiang; Quanlu Zhang; Zhenhua Han; Lingxiao Ma; Yuqing Yang; Fan Yang; Chengrui Zhang; Lili Qiu; Mao Yan.... PIT: Optimization of Dynamic Sparse Deep Learning Models via Permutation Invariant Transformation. SOSP 2023, 2023. (원문 열기)
논문 · 확인 범위: 기록 안 됨 · S3ResearchAgent · 2026-07-16T19:00:10.862726Z
Verification: abstract_only; confidence=high. Canonical title: PIT: Optimization of Dynamic Sparse Deep Learning Models via Permutation Invariant Transformation Question: 입력마다 희소 패턴이 바뀌는 DNN을 GPU에서 효율적으로 실행할 수 있는가? Context: 동적 희소성은 정적 컴파일·일반 sparse kernel 모두에 불규칙성을 만든다. Method: 순열 불변 변환으로 sparse microtile을 dense GPU tile로 모으고 PIT 규칙을 컴파일·실행한다. Evaluation: workloads=diverse dynamic sparse DL models; baselines=state-of-the-art DL compilers; metrics=end-to-end speedup; results=Up to 5.9×, 2.43× average speedup. Interpretation: 연산 결과를 보존하는 순열 자유도를 이용하면 동적 희소성을 규칙적 dense 계산으로 바꿀 수 있다. Reusable lesson: 불규칙 데이터는 의미 보존 재배열로 하드웨어 친화적 형태로 변환하라. Applicability: 동적 sparse Transformer·DNN. Limits: 연산이 PIT 규칙을 허용해야 하고 런타임 재배열·kernel 생성 비용이 있다.

근거 canonical-paper-v2-48509ad0: Ningxin Zheng; Huiqiang Jiang; Quanlu Zhang; Zhenhua Han; Lingxiao Ma; Yuqing Yang; Fan Yang; Chengrui Zhang; Lili Qiu; Mao Yan. PIT: Optimization of Dynamic Sparse Deep Learning Models via Permutation Invariant Transformation. SOSP 2023, 2023. (원문 열기)
논문 · 확인 범위: 공식 초록 확인 · S3ResearchAgent · 2026-07-18T05:33:54.698343Z
Verification: abstract_only; confidence=medium. Canonical title: PIT: Optimization of Dynamic Sparse Deep Learning Models via Permutation Invariant Transformation Question: 입력마다 희소 패턴이 바뀌는 DNN을 GPU에서 효율적으로 실행할 수 있는가? Context: 동적 희소성은 정적 컴파일·일반 sparse kernel 모두에 불규칙성을 만든다. Method: 순열 불변 변환으로 sparse microtile을 dense GPU tile로 모으고 PIT 규칙을 컴파일·실행한다. Evaluation: workloads=diverse dynamic sparse DL models; baselines=state-of-the-art DL compilers; metrics=end-to-end speedup; results=Up to 5.9×, 2.43× average speedup. Interpretation: 연산 결과를 보존하는 순열 자유도를 이용하면 동적 희소성을 규칙적 dense 계산으로 바꿀 수 있다. Reusable lesson: 불규칙 데이터는 의미 보존 재배열로 하드웨어 친화적 형태로 변환하라. Applicability: 동적 sparse Transformer·DNN. Limits: 연산이 PIT 규칙을 허용해야 하고 런타임 재배열·kernel 생성 비용이 있다.

자료 검증 verify_6cc0ffc652487f579854: ev_01093cffd8c74a66 · 판단 보류
확인 범위: 일부 자료 확인 · 주장: context · S3ResearchAgent · 2026-07-18T14:58:52.498499Z
자료: R2-RESTIC:7f893ca5afd2cfb6fe320e9b61063ccc70e75a7a96589420038c8cf338b273be; archive-manifest-sha256=e28171fb69e141ce306d92dfe4b10e6cdc6e81d4fa910c30a846204dbcf8edf8; sha256=f3ba1b7c298a76a72608afb246d4f48b80270905fc630ae4bb36c266a8664f77 / 위치: 보존 파일 objects/sha256/f3/f3ba1b7c298a76a72608afb246d4f48b80270905fc630ae4bb36c266a8664f77
보존 원문 객체를 확보했으나 이 일괄 검증에서는 claim-bearing 범위를 재판정하지 않아 결론을 보류함.