論文の概要: EREBA: Black-box Energy Testing of Adaptive Neural Networks

• arxiv url: http://arxiv.org/abs/2202.06084v1
• Date: Sat, 12 Feb 2022 15:16:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-15 17:13:42.139293
• Title: EREBA: Black-box Energy Testing of Adaptive Neural Networks
• Title（参考訳）: EREBA:適応型ニューラルネットワークのブラックボックスエネルギーテスト
• Authors: Mirazul Haque, Yaswanth Yadlapalli, Wei Yang, and Cong Liu
• Abstract要約: 本稿では,Adaptive Neural Networks(AdNN)のエネルギーロバスト性について検討する。 本稿では,AdNNのエネルギーロバスト性を決定するための最初のブラックボックステスト手法であるEREBAを提案する。 EREBAは、入力とAdNNのエネルギー消費の関係を調べ、推し進めるサンプルを生成する。
• 参考スコア（独自算出の注目度）: 7.886521856086982
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recently, various Deep Neural Network (DNN) models have been proposed for environments like embedded systems with stringent energy constraints. The fundamental problem of determining the robustness of a DNN with respect to its energy consumption (energy robustness) is relatively unexplored compared to accuracy-based robustness. This work investigates the energy robustness of Adaptive Neural Networks (AdNNs), a type of energy-saving DNNs proposed for many energy-sensitive domains and have recently gained traction. We propose EREBA, the first black-box testing method for determining the energy robustness of an AdNN. EREBA explores and infers the relationship between inputs and the energy consumption of AdNNs to generate energy surging samples. Extensive implementation and evaluation using three state-of-the-art AdNNs demonstrate that test inputs generated by EREBA could degrade the performance of the system substantially. The test inputs generated by EREBA can increase the energy consumption of AdNNs by 2,000% compared to the original inputs. Our results also show that test inputs generated via EREBA are valuable in detecting energy surging inputs.
• Abstract（参考訳）: 近年,エネルギー制約の厳しい組込みシステムなどの環境において,様々なディープニューラルネットワーク(dnn)モデルが提案されている。 エネルギー消費に関するDNNのロバスト性(エネルギーロバスト性)を決定するという根本的な問題は、精度に基づくロバスト性よりも比較的未探索である。 本研究では、多くのエネルギー感受性ドメインに対して提案された省エネルギーDNNの一種であるAdaptive Neural Networks (AdNNs) のエネルギーロバスト性を調べた。 本稿では,adnnのエネルギーロバスト性を決定する最初のブラックボックステスト手法であるerebaを提案する。 EREBAは、入力とAdNNのエネルギー消費の関係を調べ、推し進めるサンプルを生成する。 3つの最先端AdNNを用いた大規模な実装と評価は、EREBAが生成したテスト入力がシステムの性能を著しく低下させることを示した。 EREBAによって生成されたテスト入力は、元の入力と比較して2000%のエネルギー消費を増大させることができる。 また,EREBAを用いて生成したテスト入力は,エネルギサージ入力の検出に有用であることを示す。

関連論文リスト

• NAS-BNN: Neural Architecture Search for Binary Neural Networks [55.058512316210056]
  我々は、NAS-BNNと呼ばれる二元ニューラルネットワークのための新しいニューラルネットワーク探索手法を提案する。 我々の発見したバイナリモデルファミリーは、20Mから2Mまでの幅広い操作(OP)において、以前のBNNよりも優れていた。 さらに,対象検出タスクにおける探索されたBNNの転送可能性を検証するとともに,探索されたBNNを用いたバイナリ検出器は,MSデータセット上で31.6% mAP,370万 OPsなどの新たな最先端結果を得る。
  論文  参考訳（メタデータ） (2024-08-28T02:17:58Z)
• Advancing Spiking Neural Networks for Sequential Modeling with Central Pattern Generators [47.371024581669516]
  スパイキングニューラルネットワーク(SNN)は、人工ニューラルネットワークを開発するための有望なアプローチである。 SNNをテキスト分類や時系列予測といったシーケンシャルなタスクに適用することは、効果的でハードウェアフレンドリーなスパイク形式の位置符号化戦略を作成するという課題によって妨げられている。 CPG-PEと呼ばれる新しいSNNのためのPE手法を提案する。我々は、一般的に使われているsinusoidal PEが、数学的に特定のCPGの膜電位ダイナミクスの特定の解であることを実証する。
  論文  参考訳（メタデータ） (2024-05-23T09:39:12Z)
• SparrowSNN: A Hardware/software Co-design for Energy Efficient ECG Classification [7.030659971563306]
  スパイキングニューラルネットワーク(SNN)は、そのエネルギー効率でよく知られている。 スパロウSNNは、SNNの98.29%の最先端精度を実現し、エネルギー消費量は1回の推定で31.39nJ、電力使用量は6.1uWである。
  論文  参考訳（メタデータ） (2024-05-06T10:30:05Z)
• Hardware-Aware DNN Compression via Diverse Pruning and Mixed-Precision Quantization [1.0235078178220354]
  本稿では, プルーニングと量子化を併用してハードウェアに配慮したディープニューラルネットワーク(DNN)の自動圧縮フレームワークを提案する。 われわれのフレームワークはデータセットの平均エネルギー消費量を39%減らし、平均精度損失を1.7%減らし、最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2023-12-23T18:50:13Z)
• Energy-efficient DNN Inference on Approximate Accelerators Through Formal Property Exploration [1.0323063834827415]
  本稿では、近似型ディープニューラルネットワーク(DNN)のための重み付け近似マッピングのための自動フレームワークを提案する。 MAC単位レベルでは、エネルギー利得の点で既にエネルギー効率のよいマッピングを2ドル以上超えた。
  論文  参考訳（メタデータ） (2022-07-25T17:07:00Z)
• Deep Reinforcement Learning with Spiking Q-learning [51.386945803485084]
  スパイクニューラルネットワーク(SNN)は、少ないエネルギー消費で人工知能(AI)を実現することが期待されている。 SNNと深部強化学習(RL)を組み合わせることで、現実的な制御タスクに有望なエネルギー効率の方法を提供する。
  論文  参考訳（メタデータ） (2022-01-21T16:42:11Z)
• Adversarial Energy Disaggregation for Non-intrusive Load Monitoring [78.47901044638525]
  非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)としても知られるエネルギー分散は、家庭全体の電力消費を家電固有の個人消費に分けるという問題に挑戦する。 近年の進歩は、ディープニューラルネットワーク(DNN)がNILMに有利な性能を得られることを示している。 我々は、エネルギー分散タスクに新しくなったNILMに、敵対的学習の考え方を導入する。
  論文  参考訳（メタデータ） (2021-08-02T03:56:35Z)
• Energy-based Unknown Intent Detection with Data Manipulation [48.76465739088016]
  未知の意図検出は、トレーニングセットに意図が現れていない配布外発話を特定することを目的としている。 本稿では,エネルギースコアが入力の密度と理論的に一致していることから,このタスクにエネルギースコアを用いることを提案する。
  論文  参考訳（メタデータ） (2021-07-27T01:32:23Z)
• More Behind Your Electricity Bill: a Dual-DNN Approach to Non-Intrusive Load Monitoring [17.516784821462522]
  非侵入負荷モニタリング(NILM)は、家庭のエネルギー消費を個々の家電の項目別エネルギー使用量に分解することを目的としている。 近年の研究では、ディープニューラルネットワーク(DNN)ベースのアプローチがNILMタスクに有望であることが示されている。
  論文  参考訳（メタデータ） (2021-06-01T08:06:33Z)
• DTNN: Energy-efficient Inference with Dendrite Tree Inspired Neural Networks for Edge Vision Applications [2.1800759000607024]
  本稿では,活性化量子化によって実現されたテーブルルックアップ操作を用いたエネルギー効率の高い推論のためのDendrite-Tree-based Neural Network (DTNN)を提案する。 DTNNはResNet-18とVGG-11でそれぞれ19.4Xと64.9Xの大幅な省エネを実現した。
  論文  参考訳（メタデータ） (2021-05-25T11:44:12Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)

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。