論文の概要: Generative and Discriminative Deep Belief Network Classifiers:
Comparisons Under an Approximate Computing Framework
- arxiv url: http://arxiv.org/abs/2102.00534v1
- Date: Sun, 31 Jan 2021 20:57:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-02 16:53:48.105888
- Title: Generative and Discriminative Deep Belief Network Classifiers:
Comparisons Under an Approximate Computing Framework
- Title（参考訳）: 生成型および識別型Deep Belief Network Classifiers: Approximate Computing Framework による比較
- Authors: Siqiao Ruan, Ian Colbert, Ken Kreutz-Delgado, and Srinjoy Das
- Abstract要約: 我々は、組み込みデバイス分類タスクにおいて、DDBN(Dis discriminative Deep Belief Networks)と呼ばれるディープラーニングアルゴリズムのクラスに対して、効率的なビット幅削減とプルーニングを検討する。
DDBNを近似計算フレームワークで生成的および識別的目的の両方で訓練し、教師付きおよび半教師付きアプリケーションのパワー・アット・パフォーマンスを解析する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The use of Deep Learning hardware algorithms for embedded applications is
characterized by challenges such as constraints on device power consumption,
availability of labeled data, and limited internet bandwidth for frequent
training on cloud servers. To enable low power implementations, we consider
efficient bitwidth reduction and pruning for the class of Deep Learning
algorithms known as Discriminative Deep Belief Networks (DDBNs) for
embedded-device classification tasks. We train DDBNs with both generative and
discriminative objectives under an approximate computing framework and analyze
their power-at-performance for supervised and semi-supervised applications. We
also investigate the out-of-distribution performance of DDBNs when the
inference data has the same class structure yet is statistically different from
the training data owing to dynamic real-time operating environments. Based on
our analysis, we provide novel insights and recommendations for choice of
training objectives, bitwidth values, and accuracy sensitivity with respect to
the amount of labeled data for implementing DDBN inference with minimum power
consumption on embedded hardware platforms subject to accuracy tolerances.
- Abstract（参考訳）: 組み込みアプリケーションにおけるDeep Learningハードウェアアルゴリズムの使用は、デバイス電力消費の制約、ラベル付きデータの可用性、クラウドサーバー上で頻繁なトレーニングを行うためのインターネット帯域幅の制限といった課題によって特徴づけられる。
低消費電力実装を実現するため,組込みデバイス分類タスクの識別的ディープ信念ネットワーク(DDBN)と呼ばれるディープラーニングアルゴリズムのクラスに対して,効率的なビット幅削減とプルーニングを検討する。
DDBNを近似計算フレームワークで生成的および識別的目的の両方で訓練し、教師付きおよび半教師付きアプリケーションのパワー・アット・パフォーマンスを解析する。
また,推論データが同一のクラス構造を持つが,動的リアルタイム動作環境によるトレーニングデータと統計的に異なる場合,DDBNの分布外性能についても検討する。
筆者らは,本分析に基づいて,組込みハードウェアプラットフォーム上での最小消費電力でDDBN推論を行うためのラベル付きデータの量に対して,トレーニング対象,ビット幅値,精度感受性の選択に関する新たな知見と勧告を提供する。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Edge-device Collaborative Computing for Multi-view Classification [9.047284788663776]
エッジノードとエンドデバイスが相関データと推論計算負荷を共有するエッジでの協調推論について検討する。
本稿では,データ冗長性を効果的に低減し,帯域幅の消費を削減できる選択手法を提案する。
実験結果から、選択的な協調スキームは上記の性能指標間で異なるトレードオフを達成できることが示された。
論文 参考訳（メタデータ） (2024-09-24T11:07:33Z) - LightESD: Fully-Automated and Lightweight Anomaly Detection Framework
for Edge Computing [3.096615629099617]
異常検出は、サイバーセキュリティから製造業、金融など、幅広い領域で広く使われている。
ディープラーニングに基づく異常検出は、複雑なデータパターンを認識し、アウトリーチを正確に識別する能力に優れており、最近多くの注目を集めている。
我々は,LightESDと呼ばれる完全自動,軽量,統計的学習に基づく異常検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-20T18:48:41Z) - Detection of DDoS Attacks in Software Defined Networking Using Machine
Learning Models [0.6193838300896449]
本稿では,ソフトウェア定義ネットワーク(SDN)環境において,分散型サービス障害(DDoS)攻撃を検出する機械学習アルゴリズムの有効性について検討する。
その結果、MLベースの検出は、SDNにおけるDDoS攻撃を特定するためのより正確で効果的な方法であることが示唆された。
論文 参考訳（メタデータ） (2023-03-11T22:56:36Z) - Balancing Performance and Energy Consumption of Bagging Ensembles for
the Classification of Data Streams in Edge Computing [9.801387036837871]
エッジコンピューティング(EC)は、IoT(Internet of Things)や5Gネットワークといったテクノロジを開発する上で可能な要素として登場した。
本研究は,データストリームの分類において,バッグアンサンブルの性能とエネルギー消費を最適化するための戦略を検討する。
論文 参考訳（メタデータ） (2022-01-17T04:12:18Z) - Privacy-Preserving Serverless Edge Learning with Decentralized Small
Data [13.254530176359182]
最近、分散トレーニング戦略は、ディープモデルをトレーニングする際のデータプライバシを保証するための有望なアプローチになっている。
本稿では、従来のサーバレスプラットフォームをサーバレスエッジ学習アーキテクチャで拡張し、ネットワークの観点から効率的な分散トレーニングフレームワークを提供する。
論文 参考訳（メタデータ） (2021-11-29T21:04:49Z) - Reinforcement Learning for Datacenter Congestion Control [50.225885814524304]
渋滞制御アルゴリズムの成功は、レイテンシとネットワーク全体のスループットを劇的に改善する。
今日まで、このような学習ベースのアルゴリズムはこの領域で実用的な可能性を示さなかった。
実世界のデータセンターネットワークの様々な構成に一般化することを目的としたRLに基づくアルゴリズムを考案する。
本稿では,この手法が他のRL手法よりも優れており,トレーニング中に見られなかったシナリオに一般化可能であることを示す。
論文 参考訳（メタデータ） (2021-02-18T13:49:28Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z) - Identifying and Compensating for Feature Deviation in Imbalanced Deep
Learning [59.65752299209042]
このようなシナリオ下でのConvNetの学習について検討する。
私たちは、ConvNetがマイナーなクラスにかなり適合していることに気づきました。
クラス依存型温度トレーニング(CDT)のConvNetの導入を提案する。
論文 参考訳（メタデータ） (2020-01-06T03:52:11Z)
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。