論文の概要: Fast and Accurate Error Simulation for CNNs against Soft Errors

• arxiv url: http://arxiv.org/abs/2206.02051v1
• Date: Sat, 4 Jun 2022 19:45:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-07 16:57:57.525513
• Title: Fast and Accurate Error Simulation for CNNs against Soft Errors
• Title（参考訳）: ソフトエラーに対するCNNの高速かつ高精度な誤差シミュレーション
• Authors: Cristiana Bolchini and Luca Cassano and Antonio Miele and Alessandro Toschi
• Abstract要約: 本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。 これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。 提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
• 参考スコア（独自算出の注目度）: 64.54260986994163
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The great quest for adopting AI-based computation for safety-/mission-critical applications motivates the interest towards methods for assessing the robustness of the application w.r.t. not only its training/tuning but also errors due to faults, in particular soft errors, affecting the underlying hardware. Two strategies exist: architecture-level fault injection and application-level functional error simulation. We present a framework for the reliability analysis of Convolutional Neural Networks (CNNs) via an error simulation engine that exploits a set of validated error models extracted from a detailed fault injection campaign. These error models are defined based on the corruption patterns of the output of the CNN operators induced by faults and bridge the gap between fault injection and error simulation, exploiting the advantages of both approaches. We compared our methodology against SASSIFI for the accuracy of functional error simulation w.r.t. fault injection, and against TensorFI in terms of speedup for the error simulation strategy. Experimental results show that our methodology achieves about 99\% accuracy of the fault effects w.r.t. SASSIFI, and a speedup ranging from 44x up to 63x w.r.t. TensorFI, that only implements a limited set of error models.
• Abstract（参考訳）: 安全/ミッションクリティカルなアプリケーションにAIベースの計算を採用するという大きな探求は、トレーニングやチューニングだけでなく、欠陥、特にソフトエラーによるハードウェアに影響を及ぼすアプリケーションの堅牢性を評価する方法への関心を動機付けている。 アーキテクチャレベルのフォールトインジェクションとアプリケーションレベルの機能的エラーシミュレーションだ。 本稿では、詳細な故障注入キャンペーンから抽出した検証済みエラーモデルのセットを利用した誤差シミュレーションエンジンを用いて、畳み込みニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。 これらのエラーモデルは、故障によって引き起こされるcnnオペレータの出力の腐敗パターンに基づいて定義され、障害注入とエラーシミュレーションの間のギャップを橋渡しし、両方のアプローチの利点を生かしている。 本手法を機能的エラーシミュレーションw.r.t.フォールトインジェクションの精度をsassifiと比較し,エラーシミュレーション戦略の高速化の観点からtensorfiと比較した。 実験結果から,本手法は断層効果w.r.t.sassifiの99\%の精度と,誤差モデルのみを実装した44倍から63倍のw.r.t.tensorfiの速度向上を達成した。

関連論文リスト

• Large-Scale Application of Fault Injection into PyTorch Models -- an Extension to PyTorchFI for Validation Efficiency [1.7205106391379026]
  PyTorchALFI (Application Level Fault Injection for PyTorch) という,PyTorchFIに基づく新しいフォールトインジェクションフレームワークを導入する。 PyTorchALFIは、ランダムに生成された再利用可能な障害セットを定義して、PyTorchモデルに注入する効率的な方法を提供する。
  論文  参考訳（メタデータ） (2023-10-30T11:18:35Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• ISimDL: Importance Sampling-Driven Acceleration of Fault Injection Simulations for Evaluating the Robustness of Deep Learning [10.757663798809144]
  我々は,重要なサンプリングに基づく障害シナリオを生成するために,ニューロンの感度を利用する新しい手法であるISimDLを提案する。 実験の結果, ランダムな一様サンプリングよりも臨界断層を選択する場合, 重要サンプリングは最大15倍の精度で, 100個未満の故障でその精度に達することがわかった。
  論文  参考訳（メタデータ） (2023-03-14T16:15:28Z)
• Simulation-to-reality UAV Fault Diagnosis with Deep Learning [20.182411473467656]
  そこで本研究では,四重項の故障診断におけるシミュレーションと現実のギャップに対処する深層学習モデルを提案する。 提案手法はプロペラ断層の検出において96%の精度を実現する。 これは4段プロペラのシミュレーション・トゥ・リアル故障診断のための信頼性と効率のよい最初の方法である。
  論文  参考訳（メタデータ） (2023-02-09T02:37:48Z)
• Statistical Modeling of Soft Error Influence on Neural Networks [12.298356981085316]
  我々は,ソフトエラー下でのNNモデルの挙動を解析する一連の統計モデルを開発した。 統計モデルは、ソフトエラーとNNモデルの精度の相関だけでなく、量子化やアーキテクチャなどのNNパラメータがNNの信頼性にどのように影響するかを明らかにしている。
  論文  参考訳（メタデータ） (2022-10-12T02:28:21Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• FT-CNN: Algorithm-Based Fault Tolerance for Convolutional Neural Networks [13.100954947774163]
  畳み込みニューラルネットワーク(CNN)は、多くの分野において困難で重要な問題を解決するためにますます重要になっている。 CNN推論アプリケーションは、高エネルギー粒子や高温、異常電圧によるソフトエラーに悩まされる安全クリティカルなシステムにデプロイされている。 従来のフォールトトレランス法は、エラー訂正符号が計算コンポーネントを保護することができないため、CNNの推論には適さない。
  論文  参考訳（メタデータ） (2020-03-27T02:01:54Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。