AI解説
情報源：アブストラクトのみ（本文未取得）。arXiv 版・オープンアクセス版は存在せず、本文は IEEE Xplore の有料版のみ。以下はすべてアブストラクトに書かれた範囲であり、PSO の設計や探索空間の削減方法などの内部は本文を取得してから補う。
一言で
GPU メモリが足りない大規模 DNN 学習向けの、テンソル配置（placement）フレームワーク。 スワップと再計算を組み合わせる点は先行研究と同じだが、モデルの部分的な情報しか見ない既存手法と違い、DNN モデル全体の情報（holistic information）を考慮して、カスタム設計の粒子群最適化（PSO）で各テンソルの配置（保持／スワップ／再計算）を大域的に決める。 PyTorch 実装で、スループットは vDNN の最大 5.7 倍、Capuchin の最大 1.3 倍。最大バッチサイズは素の PyTorch の最大 2.8 倍、Capuchin の最大 1.3 倍。
背景・問題（アブストラクトの範囲）
GPU メモリ空間が足りないときの大規模 DNN 学習では、各テンソルをどこに置くか（GPU に保持するか、CPU へスワップするか、破棄して再計算するか）の決定が性能を左右する。 既存手法はこの決定に DNN モデルの部分的な情報しか使っておらず、それが最適でない配置につながる、というのがアブストラクトの立てる問題である。
提案手法（アブストラクトの範囲）
- テンソルごとの配置決定に、モデル全体の情報を入力として使う。
- 探索にはカスタム設計の粒子群最適化アルゴリズムを使い、探索空間を大幅に削減した上で、大域的に最適化された配置を得る。
- モデル全体を見ることで、与えられた GPU メモリ制約の下で高い性能を達成する、という因果づけがされている。
ILP のような厳密解法ではなくメタヒューリスティック（PSO）を選んだ理由や、「部分的な情報」が具体的にどの既存手法の何を指すかは、本文未取得のため書けない。
実験・結果（アブストラクトの範囲）
- PyTorch に実装し、6つの著名な DNN モデルで評価。
- スループット：vDNN 比で最大 5.7 倍、Capuchin 比で最大 1.3 倍。
- 最大バッチサイズ：素の PyTorch 比で最大 2.8 倍、Capuchin 比で最大 1.3 倍。
関連研究との関係
アブストラクトが名指しで比較するのは vDNN（スワップのみ）と Capuchin（スワップ＋再計算のランタイム方式）であり、ハイブリッド方式の系譜で Capuchin を改善対象とする位置にある。 系譜全体の中での位置づけは関係マップを参照。