論文の概要: TensorFI: A Flexible Fault Injection Framework for TensorFlow Applications

• arxiv url: http://arxiv.org/abs/2004.01743v1
• Date: Fri, 3 Apr 2020 19:26:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 03:43:27.144085
• Title: TensorFI: A Flexible Fault Injection Framework for TensorFlow Applications
• Title（参考訳）: TensorFI:TensorFlowアプリケーションのための柔軟なフォールトインジェクションフレームワーク
• Authors: Zitao Chen, Niranjhana Narayanan, Bo Fang, Guanpeng Li, Karthik Pattabiraman and Nathan DeBardeleben
• Abstract要約: 複製に基づくアプリケーションのための高レベルフォールトインジェクション(FI)フレームワークを提案する。 FIFIは一般的なプログラムにハードウェアとソフトウェアの両方の欠点を注入することができる。 既存のプログラムに統合して,さまざまな障害タイプに対するレジリエンスを評価することも可能だ。
• 参考スコア（独自算出の注目度）: 2.204335500292961
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As machine learning (ML) has seen increasing adoption in safety-critical domains (e.g., autonomous vehicles), the reliability of ML systems has also grown in importance. While prior studies have proposed techniques to enable efficient error-resilience techniques (e.g., selective instruction duplication), a fundamental requirement for realizing these techniques is a detailed understanding of the application's resilience. In this work, we present TensorFI, a high-level fault injection (FI) framework for TensorFlow-based applications. TensorFI is able to inject both hardware and software faults in general TensorFlow programs. TensorFI is a configurable FI tool that is flexible, easy to use, and portable. It can be integrated into existing TensorFlow programs to assess their resilience for different fault types (e.g., faults in particular operators). We use TensorFI to evaluate the resilience of 12 ML programs, including DNNs used in the autonomous vehicle domain. Our tool is publicly available at https://github.com/DependableSystemsLab/TensorFI.
• Abstract（参考訳）: 機械学習(ML)が安全クリティカルな領域(例えば自動運転車)に採用されるにつれて、MLシステムの信頼性も重要になっている。 以前の研究では、効率的なエラーレジリエンス技術(例えば選択的命令重複)を可能にする技術が提案されているが、これらの技術を実現するための基本的な要件は、アプリケーションのレジリエンスを詳細に理解することである。 本研究ではTensorFlowベースのアプリケーションのための高レベルなフォールトインジェクション(FI)フレームワークであるTensorFIを紹介する。 TensorFIは、一般的なTensorFlowプログラムにハードウェアとソフトウェアの両方の障害を注入することができる。 TensorFIは、フレキシブルで、使いやすく、ポータブルな設定可能なFIツールである。 既存のTensorFlowプログラムに統合して、さまざまな障害タイプ(特にオペレータの障害など)に対するレジリエンスを評価することも可能だ。 我々は、自動運転車ドメインで使用されるDNNを含む12のMLプログラムのレジリエンスを評価するためにTensorFIを使用します。 私たちのツールはhttps://github.com/DependableSystemsLab/TensorFIで公開されています。

関連論文リスト

• Transformer Neural Autoregressive Flows [48.68932811531102]
  正規化フロー(NF)を用いて密度推定を行う。 我々はトランスフォーマーニューラルオートレグレッシブフロー(T-NAF)と呼ばれる新しいタイプのニューラルフローを定義するためにトランスフォーマーを利用する新しい解を提案する。
  論文  参考訳（メタデータ） (2024-01-03T17:51:16Z)
• LMFlow: An Extensible Toolkit for Finetuning and Inference of Large Foundation Models [31.121714473817793]
  ファンデーションモデルは、従来のアプローチをはるかに超越した、一般的な人間レベルのインテリジェンスを達成するための優れた能力を示してきた。 ほとんどの基礎モデルの重大な欠点は、特殊ドメインやタスク固有のアプリケーションのパフォーマンスにある。 本稿では,一般基礎モデルのドメイン・タスク・アウェア・ファインタニングを簡略化することを目的としたLMFlowを紹介する。
  論文  参考訳（メタデータ） (2023-06-21T17:58:25Z)
• PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
  我々は PDSketch という新しいドメイン定義言語を提案する。 これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。 移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
  論文  参考訳（メタデータ） (2023-03-09T18:54:12Z)
• Federated Dynamic Sparse Training: Computing Less, Communicating Less, Yet Learning Better [88.28293442298015]
  Federated Learning (FL)は、クラウドからリソース制限されたエッジデバイスへの機械学習ワークロードの分散を可能にする。 我々は、FedDST(Federated Dynamic Sparse Training)と呼ばれる新しいFLフレームワークを開発し、実装し、実験的に検証する。 FedDSTは、ターゲットのフルネットワークからスパースサブネットワークを抽出し、訓練する動的プロセスである。
  論文  参考訳（メタデータ） (2021-12-18T02:26:38Z)
• Adaptive Dynamic Pruning for Non-IID Federated Learning [3.8666113275834335]
  フェデレートラーニング(FL)は、データセキュリティとプライバシを犠牲にすることなく機械学習モデルをトレーニングする新たなパラダイムとして登場した。 FLシステムにおけるエッジデバイスに対する適応型プルーニング方式を提案し,非IIDデータセットの推論高速化にデータセット対応動的プルーニングを適用した。
  論文  参考訳（メタデータ） (2021-06-13T05:27:43Z)
• TensorFlow ManOpt: a library for optimization on Riemannian manifolds [0.3655021726150367]
  ニューラルネットワークの採用と非ユークリッドドメインでのディープラーニングは、スケーラブルで効率的な学習フレームワークの欠如によって、最近まで妨げられていた。 我々は、機械学習モデルの観点からRiemannianを最適化するPythonライブラリであるManOptを提案し、このギャップを埋めようとしている。 このライブラリはエコシステムとのシームレスな統合を目的として設計されており、研究だけでなく、プロダクション機械学習パイプラインの合理化も目標としている。
  論文  参考訳（メタデータ） (2021-05-27T10:42:09Z)
• Federated Learning-based Active Authentication on Mobile Devices [98.23904302910022]
  モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。 Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。 既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
  論文  参考訳（メタデータ） (2021-04-14T22:59:08Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• Fault Injectors for TensorFlow: Evaluation of the Impact of Random Hardware Faults on Deep CNNs [4.854070123523902]
  我々は,ランダムな障害の存在下での深層学習(dl)コンポーネントの動作を評価するための2つの新しいフォールトインジェクション(fi)フレームワークを提案する。 本稿では,2つの画像セットを用いた4つのvgg畳み込みnnを用いたfi実験の結果について述べる。 結果は、最も重要な操作とレイヤーを特定し、機能的に類似したNNの信頼性特性を比較し、選択的なフォールトトレランスメカニズムを導入するのに役立ちます。
  論文  参考訳（メタデータ） (2020-12-13T11:16:25Z)
• ALF: Autoencoder-based Low-rank Filter-sharing for Efficient Convolutional Neural Networks [63.91384986073851]
  オートエンコーダを用いた低ランクフィルタ共有技術(ALF)を提案する。 ALFは、ネットワークパラメータの70%、オペレーションの61%、実行時間の41%を削減し、精度の低下を最小限にしている。
  論文  参考訳（メタデータ） (2020-07-27T09:01:22Z)
• TensorFlow with user friendly Graphical Framework for object detection API [0.0]
  Graphical Framework(TF-GraF)は、ディープラーニングデータフローのためのオープンソースのフレームワークであり、音声分析、自然言語処理、コンピュータビジョンのアプリケーションインターフェース(API)を含んでいる。 TF-GraFは、サーバ側のユーザアカウントに従って独立した仮想環境を提供し、クライアント側のCLIなしでのデータ前処理、トレーニング、評価を実行する。
  論文  参考訳（メタデータ） (2020-06-11T13:00:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。