論文の概要: Challenges and Opportunities in Approximate Bayesian Deep Learning for Intelligent IoT Systems

• arxiv url: http://arxiv.org/abs/2112.01675v1
• Date: Fri, 3 Dec 2021 02:05:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 04:40:34.862629
• Title: Challenges and Opportunities in Approximate Bayesian Deep Learning for Intelligent IoT Systems
• Title（参考訳）: インテリジェントiotシステムのための近似ベイズ深層学習の課題と可能性
• Authors: Meet P. Vadera and Benjamin M. Marlin
• Abstract要約: 本稿では,教師付き深層学習のためのベイズ近似推論手法について述べる。 現在のエッジハードウェアにこれらの手法を適用する際の課題と機会を強調します。
• 参考スコア（独自算出の注目度）: 15.178493001652223
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Approximate Bayesian deep learning methods hold significant promise for addressing several issues that occur when deploying deep learning components in intelligent systems, including mitigating the occurrence of over-confident errors and providing enhanced robustness to out of distribution examples. However, the computational requirements of existing approximate Bayesian inference methods can make them ill-suited for deployment in intelligent IoT systems that include lower-powered edge devices. In this paper, we present a range of approximate Bayesian inference methods for supervised deep learning and highlight the challenges and opportunities when applying these methods on current edge hardware. We highlight several potential solutions to decreasing model storage requirements and improving computational scalability, including model pruning and distillation methods.
• Abstract（参考訳）: 近似ベイズ型ディープラーニング手法は、過剰なエラーの発生の軽減や分散例への堅牢性の向上など、インテリジェントシステムにディープラーニングコンポーネントをデプロイする場合に発生するいくつかの問題に対処する上で、大きな可能性を秘めている。 しかし、既存の近似ベイズ推論手法の計算要求は、低出力エッジデバイスを含むインテリジェントなIoTシステムへのデプロイに不適である。 本稿では,教師付き深層学習のための近似ベイズ推定法を提案し,これらの手法を現在のエッジハードウェアに適用する際の課題と機会を強調する。 モデルプルーニングや蒸留法など,モデルストレージ要件の削減や計算スケーラビリティの向上に対する潜在的なソリューションをいくつか紹介する。

関連論文リスト

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• Amortized Bayesian Multilevel Models [9.831471158899644]
  マルチレベルモデル(MLM)はベイズワークフローの中心的なビルディングブロックである。 MLMは重要な計算上の課題を生じさせ、しばしばその推定と評価は合理的な時間制約の中で難解である。 シミュレーションに基づく推論の最近の進歩は、深層生成ネットワークを用いた複雑な確率モデルに対処するための有望な解決策を提供する。 我々は、マルチレベルモデルの確率的分解を利用して、効率的なニューラルネットワークトレーニングと、未知のデータセットに対する後続の即時推論を容易にするニューラルネットワークアーキテクチャのファミリーを探索する。
  論文  参考訳（メタデータ） (2024-08-23T17:11:04Z)
• Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
  本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。 このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。 本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-07T21:58:40Z)
• Effective Multi-Stage Training Model For Edge Computing Devices In Intrusion Detection [0.0]
  本研究は,3段階の訓練パラダイムを導入し,改良されたプルーニング手法とモデル圧縮手法により強化した。 目的はシステムの有効性を高めることであり、侵入検知のための高いレベルの精度を同時に維持することである。
  論文  参考訳（メタデータ） (2024-01-31T02:20:21Z)
• Deep Bayesian Experimental Design for Quantum Many-Body Systems [0.0]
  提案手法は,現在の量子技術プラットフォームを特徴付ける適応的計測戦略の可能性を秘めていることを示す。 特に、結合キャビティとキュービット配列の配列に焦点を当てる。
  論文  参考訳（メタデータ） (2023-06-26T08:40:14Z)
• BayesCap: Bayesian Identity Cap for Calibrated Uncertainty in Frozen Neural Networks [50.15201777970128]
  本研究では,凍結モデルに対するベイズIDマッピングを学習し,不確実性の推定を可能にするBayesCapを提案する。 BayesCapは、元のデータセットのごく一部でトレーニングできる、メモリ効率のよいメソッドである。 本稿では,多種多様なアーキテクチャを用いた多種多様なタスクに対する本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-07-14T12:50:09Z)
• MURAL: Meta-Learning Uncertainty-Aware Rewards for Outcome-Driven Reinforcement Learning [65.52675802289775]
  本研究では,不確かさを意識した分類器が,強化学習の難しさを解消できることを示す。 正規化最大度(NML)分布の計算法を提案する。 得られたアルゴリズムは、カウントベースの探索法と、報酬関数を学習するための先行アルゴリズムの両方に多くの興味深い関係を持つことを示す。
  論文  参考訳（メタデータ） (2021-07-15T08:19:57Z)
• A Bayesian Multiscale Deep Learning Framework for Flows in Random Media [0.0]
  マルチスケール偏微分方程式(PDE)によって制御される複雑なシステムの微細スケールシミュレーションは計算コストが高く,そのような問題に対処する様々なマルチスケール手法が開発されている。 本研究では,学習データに制限のあるマルチスケールPDEのためのハイブリッドディープラーニングとマルチスケールアプローチを提案する。 実演目的では,多孔質メディアフローの問題に焦点をあてる。 画像から画像への教師あり深層学習モデルを用いて,入力透過性場とマルチスケール基底関数のマッピングを学習する。
  論文  参考訳（メタデータ） (2021-03-08T23:11:46Z)
• Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
  本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。 実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-01-28T16:38:26Z)
• A Hamiltonian Monte Carlo Method for Probabilistic Adversarial Attack and Learning [122.49765136434353]
  本稿では,HMCAM (Acumulated Momentum) を用いたハミルトニアンモンテカルロ法を提案する。 また, 対数的対数的対数的学習(Contrastive Adversarial Training, CAT)と呼ばれる新たな生成法を提案し, 対数的例の平衡分布にアプローチする。 いくつかの自然画像データセットと実用システムに関する定量的および定性的な解析により、提案アルゴリズムの優位性が確認された。
  論文  参考訳（メタデータ） (2020-10-15T16:07:26Z)
• URSABench: Comprehensive Benchmarking of Approximate Bayesian Inference Methods for Deep Neural Networks [15.521736934292354]
  ディープラーニング手法は、幅広いアプリケーション領域で予測精度を向上し続けている。 ベイズ近似の最近の進歩は、これらの懸念に対処する上で大きな可能性を秘めている。 ベンチマーキングツールのオープンソーススイートであるURSABenchの開発について,ベイズ推定法を総合的に評価するための初期研究について述べる。
  論文  参考訳（メタデータ） (2020-07-08T22:51:28Z)

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。