論文の概要: Robustness Analysis of Deep Learning Frameworks on Mobile Platforms
- arxiv url: http://arxiv.org/abs/2109.09869v1
- Date: Mon, 20 Sep 2021 22:30:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-23 01:02:32.811642
- Title: Robustness Analysis of Deep Learning Frameworks on Mobile Platforms
- Title（参考訳）: モバイルプラットフォームにおけるディープラーニングフレームワークのロバストネス解析
- Authors: Amin Eslami Abyane, Hadi Hemmati
- Abstract要約: 本稿では、2つのデバイス上のディープラーニングフレームワークと3つの異なるモデルアーキテクチャに対する3つの敵攻撃を経験的に比較する。
その結果、一般に、どちらのディープラーニングフレームワークも堅牢性という点では、どちらよりも優れていることが示される。
境界攻撃のような場合、モバイル版はPCより堅牢だ。
- 参考スコア（独自算出の注目度）: 2.2031658738184166
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the recent increase in the computational power of modern mobile devices,
machine learning-based heavy tasks such as face detection and speech
recognition are now integral parts of such devices. This requires frameworks to
execute machine learning models (e.g., Deep Neural Networks) on mobile devices.
Although there exist studies on the accuracy and performance of these
frameworks, the quality of on-device deep learning frameworks, in terms of
their robustness, has not been systematically studied yet. In this paper, we
empirically compare two on-device deep learning frameworks with three
adversarial attacks on three different model architectures. We also use both
the quantized and unquantized variants for each architecture. The results show
that, in general, neither of the deep learning frameworks is better than the
other in terms of robustness, and there is not a significant difference between
the PC and mobile frameworks either. However, in cases like Boundary attack,
mobile version is more robust than PC. In addition, quantization improves
robustness in all cases when moving from PC to mobile.
- Abstract（参考訳）: 近年のモバイル機器の計算能力の増大に伴い、顔認識や音声認識といった機械学習に基づく重タスクがこれらの機器の不可欠な部分となっている。
これにより、モバイルデバイス上で機械学習モデル(Deep Neural Networksなど)を実行するためのフレームワークが必要になる。
これらのフレームワークの精度と性能に関する研究は存在するが、デバイス上でのディープラーニングフレームワークの品質は、堅牢性の観点からはまだ体系的に研究されていない。
本稿では、2つのデバイス上のディープラーニングフレームワークと3つの異なるモデルアーキテクチャに対する3つの逆攻撃を経験的に比較する。
また、各アーキテクチャに量子化と非量子化の両方を使用します。
その結果、一般に、どちらのディープラーニングフレームワークも堅牢性という点ではどちらよりも優れておらず、PCとモバイルフレームワークの間にも大きな違いはないことがわかった。
しかし、Boundary攻撃のような場合、モバイルバージョンはPCよりも堅牢だ。
さらに、量子化はPCからモバイルへの移行時の全てのケースにおいて堅牢性を改善する。
関連論文リスト
- DLAS: An Exploration and Assessment of the Deep Learning Acceleration
Stack [3.7873597471903935]
私たちはDeep Learning Acceleration Stack (DLAS)で機械学習とシステム技術を組み合わせています。
2つのデータセット間でDLASのパラメータが異なる場合の精度と推定時間への影響を評価した。
全体として、圧縮技術によって提供されるスピードアップは、非常にハードウェアに依存している。
論文 参考訳（メタデータ） (2023-11-15T12:26:31Z) - Convolution, aggregation and attention based deep neural networks for
accelerating simulations in mechanics [1.0154623955833253]
固体の変形を効率的に学習するための3種類のニューラルネットワークアーキテクチャを実証する。
最初の2つは、最近提案されたCNN U-NETとMagNETフレームワークに基づいており、メッシュベースのデータで学習する上で有望なパフォーマンスを示している。
第3のアーキテクチャであるPerceiver IOは、注目に基づくニューラルネットワークのファミリに属する、非常に最近のアーキテクチャである。
論文 参考訳（メタデータ） (2022-12-01T13:10:56Z) - Incremental Online Learning Algorithms Comparison for Gesture and Visual
Smart Sensors [68.8204255655161]
本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。
以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
論文 参考訳（メタデータ） (2022-09-01T17:05:20Z) - An Understanding-Oriented Robust Machine Reading Comprehension Model [12.870425062204035]
本稿では,3種類のロバスト性問題に対処する理解指向機械読解モデルを提案する。
具体的には、入力された質問の正確な意味を理解するために、まず自然言語推論モジュールを使用します。
第3に,一般化の問題に対処する多言語学習機構を提案する。
論文 参考訳（メタデータ） (2022-07-01T03:32:02Z) - RobustART: Benchmarking Robustness on Architecture Design and Training
Techniques [170.3297213957074]
ディープニューラルネットワーク(DNN)は敵の雑音に弱い。
アーキテクチャ設計とトレーニングのテクニックが堅牢性にどのように影響するかに関する包括的な研究はない。
本稿では,ImageNet上での包括性調査ベンチマークを提案する。
論文 参考訳（メタデータ） (2021-09-11T08:01:14Z) - Multi-Robot Deep Reinforcement Learning for Mobile Navigation [82.62621210336881]
階層的統合モデル(HInt)を用いた深層強化学習アルゴリズムを提案する。
トレーニング時には、HIntは別々の知覚モデルとダイナミクスモデルを学び、テスト時には、HIntは2つのモデルを階層的な方法で統合し、統合モデルとアクションを計画する。
我々のモバイルナビゲーション実験は、HIntが従来の階層的ポリシーや単一ソースアプローチよりも優れていることを示している。
論文 参考訳（メタデータ） (2021-06-24T19:07:40Z) - Challenges and Obstacles Towards Deploying Deep Learning Models on
Mobile Devices [1.422288795020666]
ディープラーニングモデルは、多くの高レベルのジェネリックフレームワークとライブラリを使って開発されている。
モバイルデバイス上でモデルを実行するには、ハードウェアによる最適化が必要です。
本稿では,モバイルデバイスにディープラーニングモデルをデプロイするための既存の課題,障害,実践的ソリューションについて述べる。
論文 参考訳（メタデータ） (2021-05-06T12:40:28Z) - Making DensePose fast and light [78.49552144907513]
このタスクを解くことができる既存のニューラルネットワークモデルは、非常にパラメータ化されている。
現在のモデルで端末のDense Pose推論を有効にするには、高価なサーバーサイドのインフラをサポートし、安定したインターネット接続が必要である。
本研究では,DensePose R-CNNモデルのアーキテクチャを再設計することで,最終的なネットワークがその精度の大部分を維持しつつ,より軽量で高速なネットワークを実現することを目的とする。
論文 参考訳（メタデータ） (2020-06-26T19:42:20Z) - Federated and continual learning for classification tasks in a society
of devices [59.45414406974091]
Light Federated and Continual Consensus (LFedCon2)は、軽量で伝統的な学習者を用いた新しいフェデレーションおよび継続アーキテクチャである。
我々の方法では、スマートフォンやロボットのような無力デバイスが、リアルタイムで、ローカルで、継続的に、自律的に、そしてユーザーから学習することができる。
提案手法をスマートフォン利用者の異種コミュニティに適用し,歩行認識の課題を解決した。
論文 参考訳（メタデータ） (2020-06-12T12:37:03Z) - Comparison and Benchmarking of AI Models and Frameworks on Mobile
Devices [2.881382412683538]
AIoTBenchは、モバイルおよび組み込みデバイスの推論能力の評価に焦点を当てたベンチマークスイートである。
AIoTBenchは、ResNet50、InceptionV3、DenseNet121、およびSqueezeNet、MobileNetV2、MnasNetの3つの軽量ネットワークをカバーしている。
デバイスのAI能力を比較するために、VIPS(Valid Images Per Second)とVOPS(Valid FLOPs Per Second)の2つの統合メトリクスを提案する。
論文 参考訳（メタデータ） (2020-05-07T15:05:23Z) - A Data and Compute Efficient Design for Limited-Resources Deep Learning [68.55415606184]
同変ニューラルネットワークは 深層学習コミュニティへの関心を高めています
医療分野では、データの対称性を効果的に活用して、より正確で堅牢なモデルの構築に成功している。
ディープ・ラーニング・ソリューションのモバイル・オン・デバイス実装は医療応用のために開発されている。
しかし、同変モデルは大規模で計算コストのかかるアーキテクチャを用いて一般的に実装されており、モバイルデバイス上では動作しない。
本研究では、MobileNetV2の同変バージョンを設計、テストし、さらにモデル量子化により最適化し、より効率的な推論を可能にする。
論文 参考訳（メタデータ） (2020-04-21T00:49:11Z)
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。