論文の概要: A Brain-Inspired Low-Dimensional Computing Classifier for Inference on
Tiny Devices
- arxiv url: http://arxiv.org/abs/2203.04894v1
- Date: Wed, 9 Mar 2022 17:20:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-10 19:04:26.683807
- Title: A Brain-Inspired Low-Dimensional Computing Classifier for Inference on
Tiny Devices
- Title(参考訳): Tinyデバイス上での推論のための脳誘発低次元計算分類器
- Authors: Shijin Duan, Xiaolin Xu and Shaolei Ren
- Abstract要約: 超次元コンピューティング(HDC)に代わる低次元コンピューティング(LDC)を提案する。
我々は、LCC分類器をニューラルネットワークにマッピングし、原則化されたトレーニングアプローチを用いてモデルを最適化する。
我々のLCC分類器は、既存の脳にインスパイアされたHDCモデルに対して圧倒的な優位性を提供し、特に小さなデバイスでの推論に適している。
- 参考スコア(独自算出の注目度): 17.976792694929063
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: By mimicking brain-like cognition and exploiting parallelism,
hyperdimensional computing (HDC) classifiers have been emerging as a
lightweight framework to achieve efficient on-device inference. Nonetheless,
they have two fundamental drawbacks, heuristic training process and ultra-high
dimension, which result in sub-optimal inference accuracy and large model sizes
beyond the capability of tiny devices with stringent resource constraints. In
this paper, we address these fundamental drawbacks and propose a
low-dimensional computing (LDC) alternative. Specifically, by mapping our LDC
classifier into an equivalent neural network, we optimize our model using a
principled training approach. Most importantly, we can improve the inference
accuracy while successfully reducing the ultra-high dimension of existing HDC
models by orders of magnitude (e.g., 8000 vs. 4/64). We run experiments to
evaluate our LDC classifier by considering different datasets for inference on
tiny devices, and also implement different models on an FPGA platform for
acceleration. The results highlight that our LDC classifier offers an
overwhelming advantage over the existing brain-inspired HDC models and is
particularly suitable for inference on tiny devices.
- Abstract(参考訳): 脳のような認識を模倣し、並列性を活用することで、高次元コンピューティング(HDC)分類器は、デバイス上の効率的な推論を実現するための軽量なフレームワークとして登場してきた。
それにもかかわらず、彼らは2つの基本的な欠点、ヒューリスティックトレーニングプロセスと超高次元を持ち、その結果、限られたリソース制約を持つ小さなデバイスの能力を超えた、準最適推論精度と大きなモデルサイズをもたらす。
本稿では,これらの根本的な欠点に対処し,低次元コンピューティング(LDC)代替案を提案する。
具体的には、LCC分類器を等価ニューラルネットワークにマッピングすることで、原則化されたトレーニングアプローチを使用してモデルを最適化する。
最も重要なことは、既存のHDCモデルの超高次元を桁違いに(例えば8000対4/64)削減しながら、推論精度を向上させることができることである。
我々は、小型デバイス上での推論のための異なるデータセットを考慮し、LCC分類器を評価する実験を行い、アクセラレーションのためのFPGAプラットフォーム上で異なるモデルを実装する。
その結果、LCC分類器は、既存の脳にインスパイアされたHDCモデルに対して圧倒的な優位性を示し、特に小型デバイスでの推論に適していることがわかった。
関連論文リスト
- HEAL: Brain-inspired Hyperdimensional Efficient Active Learning [13.648600396116539]
本稿では,HDC分類に適した新しい能動学習フレームワークであるHyperdimensional Efficient Active Learning (HEAL)を紹介する。
HEALは、不確実性と多様性に基づく買収を通じて、ラベルなしのデータポイントを積極的に注釈付けし、より効率的なデータセットアノテーションと労働コストの削減につながる。
評価の結果,HEALは多種多様なAL品質のベースラインを超越し,多くのBNNや多様性誘導AL手法よりも顕著に高速な獲得を実現していることがわかった。
論文 参考訳(メタデータ) (2024-02-17T08:41:37Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳(メタデータ) (2023-09-02T11:01:16Z) - Towards a Better Theoretical Understanding of Independent Subnetwork
Training [2.2147691173934967]
独立サブネットワークトレーニング(IST)の理論的考察
ISTは、上記の問題を解決するための、最近提案され、非常に効果的である。
圧縮通信を用いた分散手法など,ISTと代替手法の基本的な違いを同定する。
論文 参考訳(メタデータ) (2023-06-28T18:14:22Z) - Unifying Synergies between Self-supervised Learning and Dynamic
Computation [53.66628188936682]
SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。
SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。
密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
論文 参考訳(メタデータ) (2023-01-22T17:12:58Z) - 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) - 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) - 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) - An Efficient and Scalable Collection of Fly-inspired Voting Units for
Visual Place Recognition in Changing Environments [20.485491385050615]
ローオーバーヘッドのVPR技術は、ローエンドの安価なハードウェアを搭載したプラットフォームを可能にする。
我々のゴールは、外観変化と小さな視点変化に対する最先端のロバスト性を達成しつつ、極端なコンパクト性と効率のアルゴリズムを提供することである。
論文 参考訳(メタデータ) (2021-09-22T19:01:20Z) - Memory and Computation-Efficient Kernel SVM via Binary Embedding and
Ternary Model Coefficients [18.52747917850984]
カーネル近似はカーネルSVMのトレーニングと予測のスケールアップに広く用いられている。
メモリ制限されたデバイスにデプロイしたい場合、カーネル近似モデルのメモリと計算コストはまだ高すぎる。
本稿では,バイナリ埋め込みとバイナリモデル係数を用いて,新しいメモリと計算効率の高いカーネルSVMモデルを提案する。
論文 参考訳(メタデータ) (2020-10-06T09:41:54Z) - Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。
このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる
このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文 参考訳(メタデータ) (2020-03-13T13:11:35Z) - On Coresets for Support Vector Machines [61.928187390362176]
coresetは、元のデータポイントの小さな、代表的なサブセットである。
我々は,本アルゴリズムを用いて,既製のSVMソルバをストリーミング,分散,動的データ設定に適用可能であることを示す。
論文 参考訳(メタデータ) (2020-02-15T23:25:12Z)
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。