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
- 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) - A Survey on Deep Semi-supervised Learning [51.26862262550445]
まず,既存の手法を分類した深層半指導学習の分類法を提案する。
次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
論文 参考訳(メタデータ) (2021-02-28T16:22:58Z) - 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) - Bringing AI To Edge: From Deep Learning's Perspective [7.308396023489246]
エッジコンピューティングと人工知能(AI)は、エッジインテリジェンスと呼ばれる新しいシステムを構築するために徐々に交差している。
これらの課題の1つは、計算集約的なディープラーニングアルゴリズムと、計算能力の低いエッジシステムの間のテキスト計算のギャップである。
本稿では,エッジインテリジェンスシステムに有用な代表的かつ最新のディープラーニング技術について調査する。
論文 参考訳(メタデータ) (2020-11-25T12:07:21Z) - 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。