論文の概要: HDXplore: Automated Blackbox Testing of Brain-Inspired Hyperdimensional
Computing
- arxiv url: http://arxiv.org/abs/2105.12770v1
- Date: Wed, 26 May 2021 18:08:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-28 16:06:19.987506
- Title: HDXplore: Automated Blackbox Testing of Brain-Inspired Hyperdimensional
Computing
- Title(参考訳): HDXplore:脳にインスパイアされた超次元コンピューティングのブラックボックス自動テスト
- Authors: Rahul Thapa, Dongning Ma, Xun Jiao
- Abstract要約: HDCは、実際の数値ではなく、神経活動の深い抽象的なパターンで計算する脳の動作メカニズムに基づく、新たなコンピューティングスキームである。
DNNのような従来のMLアルゴリズムと比較して、HDCはメモリ中心であり、モデルサイズが比較的小さく、コストが低く、ワンショット学習などの利点がある。
我々は,HDCモデルの予期せぬ動作や誤動作を明らかにするブラックボックス差分テストベースのフレームワークであるHDXploreを開発した。
- 参考スコア(独自算出の注目度): 2.3549478726261883
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inspired by the way human brain works, the emerging hyperdimensional
computing (HDC) is getting more and more attention. HDC is an emerging
computing scheme based on the working mechanism of brain that computes with
deep and abstract patterns of neural activity instead of actual numbers.
Compared with traditional ML algorithms such as DNN, HDC is more
memory-centric, granting it advantages such as relatively smaller model size,
less computation cost, and one-shot learning, making it a promising candidate
in low-cost computing platforms. However, the robustness of HDC models have not
been systematically studied. In this paper, we systematically expose the
unexpected or incorrect behaviors of HDC models by developing HDXplore, a
blackbox differential testing-based framework. We leverage multiple HDC models
with similar functionality as cross-referencing oracles to avoid manual
checking or labeling the original input. We also propose different perturbation
mechanisms in HDXplore. HDXplore automatically finds thousands of incorrect
corner case behaviors of the HDC model. We propose two retraining mechanisms
and using the corner cases generated by HDXplore to retrain the HDC model, we
can improve the model accuracy by up to 9%.
- Abstract(参考訳): 人間の脳の働きに触発されて、新しい超次元コンピューティング(HDC)がますます注目を集めている。
HDCは、実際の数値ではなく、神経活動の深い抽象的なパターンで計算する脳の動作メカニズムに基づく、新たなコンピューティングスキームである。
DNNのような従来のMLアルゴリズムと比較して、HDCはよりメモリ中心であり、比較的小さなモデルサイズ、少ない計算コスト、ワンショット学習などの利点を与え、低コストのコンピューティングプラットフォームにおいて有望な候補となる。
しかし、HDCモデルの堅牢性は体系的に研究されていない。
本稿では,blackbox differential testingベースのフレームワークであるhdxploreの開発により,hdcモデルの予期せぬ動作や不正確な動作を体系的に明らかにする。
我々は,複数のHDCモデルを相互参照オラクルと同じような機能で利用し,手動による入力のチェックやラベル付けを避ける。
また,HDXploreで異なる摂動機構を提案する。
HDXploreは、HDCモデルの何千もの誤ったコーナーケースの振る舞いを自動的に見つける。
本稿では,HDXploreが生成したコーナーケースを用いてHDCモデルを再学習し,最大9%の精度でモデルの精度を向上させることを提案する。
関連論文リスト
- Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference [55.150117654242706]
我々は、1.8万のデータポイントでトレーニングされた計算対応GPのモデル選択が、1つのGPU上で数時間以内に可能であることを示す。
この研究の結果、ガウス過程は、不確実性を定量化する能力を著しく妥協することなく、大規模なデータセットで訓練することができる。
論文 参考訳(メタデータ) (2024-11-01T21:11:48Z) - An Encoding Framework for Binarized Images using HyperDimensional
Computing [0.0]
本稿では,近傍のパターンの類似性を保ったバイナライズされた画像を符号化する,新しい軽量化手法を提案する。
この方法は、MNISTデータセットのテストセットで97.35%、Fashion-MNISTデータセットで84.12%に達する。
論文 参考訳(メタデータ) (2023-12-01T09:34:28Z) - Hyperdimensional Computing vs. Neural Networks: Comparing Architecture
and Learning Process [3.244375684001034]
我々は、HDCとニューラルネットワークの比較研究を行い、HDCを前もって訓練された非常にコンパクトなニューラルネットワークから引き出すことができる異なる角度を提供する。
実験の結果,従来のHDCモデルと学習ベースのHDCモデルから,ニューラルネットワーク由来のHDCモデルを最大21%,精度5%向上させることができることがわかった。
論文 参考訳(メタデータ) (2022-07-24T21:23:50Z) - GraphHD: Efficient graph classification using hyperdimensional computing [58.720142291102135]
本稿では,HDCを用いたグラフ分類のベースライン手法を提案する。
実世界のグラフ分類問題におけるGraphHDの評価を行った。
その結果,最新のグラフニューラルネットワーク (GNN) と比較すると,提案手法の精度は同等であることがわかった。
論文 参考訳(メタデータ) (2022-05-16T17:32:58Z) - EnHDC: Ensemble Learning for Brain-Inspired Hyperdimensional Computing [2.7462881838152913]
本稿では,超次元コンピューティングの文脈において,アンサンブル学習を探求する最初の試みについて述べる。
本稿では,EnHDCと呼ばれる最初のアンサンブルHDCモデルを提案する。
本研究では,1つのHDC分類器に対して平均3.2%の精度向上を達成できることを示す。
論文 参考訳(メタデータ) (2022-03-25T09:54:00Z) - LeHDC: Learning-Based Hyperdimensional Computing Classifier [14.641707790969914]
モデル精度を向上させるために,原理的学習手法を活用した新しいHDCフレームワークLeHDCを提案する。
実験による検証によると、LeHDCは従来のHDCトレーニング戦略より優れており、平均推定精度が15%以上向上している。
論文 参考訳(メタデータ) (2022-03-18T01:13:58Z) - Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。
我々の手法は古典的DPベースの推論に広く適用できる。
また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文 参考訳(メタデータ) (2021-12-07T11:26:41Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - HDTest: Differential Fuzz Testing of Brain-Inspired Hyperdimensional
Computing [6.266573115746776]
脳インスパイアされた超次元コンピューティング(英: brain-inspired hyperdimensional computing、HDC)は、脳の認識を模倣し、完全に分散されたホログラフィック表現と(擬似)ランダム性を持つ超次元ベクトルを利用する新しい計算パラダイムである。
本稿では,稀な入力下での予期せぬ動作や誤動作を自動的に顕在化することにより,HDTestのHDCモデルの設計,実装,評価を行う。
我々はHDTestが、HDCモデルをうまく騙すことができる、無視できない摂動で何千もの逆入力を生成できることを示します。
論文 参考訳(メタデータ) (2021-03-15T19:23:45Z) - Efficient Model-Based Reinforcement Learning through Optimistic Policy
Search and Planning [93.1435980666675]
最先端の強化学習アルゴリズムと楽観的な探索を容易に組み合わせることができることを示す。
我々の実験は、楽観的な探索が行動に罰則がある場合、学習を著しくスピードアップすることを示した。
論文 参考訳(メタデータ) (2020-06-15T18:37:38Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
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。