Fugu-MT 論文翻訳(概要): Adaptive Deep Neural Network Inference Optimization with EENet

論文の概要: Adaptive Deep Neural Network Inference Optimization with EENet

arxiv url: http://arxiv.org/abs/2301.07099v2
Date: Fri, 1 Dec 2023 17:12:35 GMT
ステータス: 処理完了
システム内更新日: 2023-12-04 19:04:36.261252
Title: Adaptive Deep Neural Network Inference Optimization with EENet
Title（参考訳）: EENetを用いた適応型ディープニューラルネットワーク推論最適化
Authors: Fatih Ilhan, Ka-Ho Chow, Sihao Hu, Tiansheng Huang, Selim Tekin, Wenqi Wei, Yanzhao Wu, Myungjin Lee, Ramana Kompella, Hugo Latapie, Gaowen Liu, Ling Liu
Abstract要約: 十分に訓練されたディープニューラルネットワーク(DNN)は、予測中にすべてのテストサンプルを等しく扱う。本稿では,マルチエグジットDNNモデルのための新しい早期実行スケジューリングフレームワークであるEENetを提案する。
参考スコア（独自算出の注目度）: 18.816078515565707
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Well-trained deep neural networks (DNNs) treat all test samples equally during prediction. Adaptive DNN inference with early exiting leverages the observation that some test examples can be easier to predict than others. This paper presents EENet, a novel early-exiting scheduling framework for multi-exit DNN models. Instead of having every sample go through all DNN layers during prediction, EENet learns an early exit scheduler, which can intelligently terminate the inference earlier for certain predictions, which the model has high confidence of early exit. As opposed to previous early-exiting solutions with heuristics-based methods, our EENet framework optimizes an early-exiting policy to maximize model accuracy while satisfying the given per-sample average inference budget. Extensive experiments are conducted on four computer vision datasets (CIFAR-10, CIFAR-100, ImageNet, Cityscapes) and two NLP datasets (SST-2, AgNews). The results demonstrate that the adaptive inference by EENet can outperform the representative existing early exit techniques. We also perform a detailed visualization analysis of the comparison results to interpret the benefits of EENet.
Abstract（参考訳）: 十分に訓練されたディープニューラルネットワーク(DNN)は、予測中にすべてのテストサンプルを等しく扱う。早期終了による適応的DNN推論は、いくつかのテスト例が他のものよりも容易に予測できるという観察を活用する。本稿では,マルチエクイットdnnモデルのための新しい早期出力スケジューリングフレームワークeenetを提案する。すべてのサンプルが予測中にすべてのDNNレイヤを通過する代わりに、EENetは早期終了スケジューラを学習する。ヒューリスティックスに基づく従来の早期解法とは対照的に,我々のEENetフレームワークは,与えられたサンプル平均推定予算を満たしつつ,モデル精度を最大化するための早期解法を最適化する。 4つのコンピュータビジョンデータセット(CIFAR-10, CIFAR-100, ImageNet, Cityscapes)と2つのNLPデータセット(SST-2, AgNews)で大規模な実験が行われた。その結果、EENetによる適応推論は、既存の代表的な早期退避技術より優れていることが示された。また、EENetの利点を解釈するために、比較結果の詳細な可視化分析を行う。

関連論文リスト

DAISY: Data Adaptive Self-Supervised Early Exit for Speech Representation Models [55.608981341747246]
本稿では,データ適応型自己監督早期退避(DAISY)を導入する。 DAISYの適応性に関する分析では、ノイズの多いデータ上で(より多くのレイヤを使用して)遅い時間に、クリーンデータ上で(より少ないレイヤを使用して)モデルが早期に(より少ないレイヤを使用して)終了することを示しています。
論文参考訳（メタデータ） (2024-06-08T12:58:13Z)
Anole: Adapting Diverse Compressed Models For Cross-Scene Prediction On Mobile Devices [17.542012577533015]
Anoleは、モバイルデバイス上のローカルDNNモデル推論に対処するための軽量なスキームである。我々は、さまざまなタイプのモバイルデバイスにAnoleを実装し、無人航空機(UAV)に基づく広範囲なトレース駆動および実世界の実験を行う。
論文参考訳（メタデータ） (2024-05-09T12:06:18Z)
CDMPP: A Device-Model Agnostic Framework for Latency Prediction of Tensor Programs [11.025071880642974]
Deep Neural Networks (DNN)は、幅広い機械学習アプリケーションで優れたパフォーマンスを示している。特定のデバイス上でDNNモデルやテンソルプログラムを実行するレイテンシを知ることは、さまざまなタスクで有用である。クロスモデルおよびクロスデバイス予測のための効率的なテンソルプログラム遅延予測フレームワークCDMPPを提案する。
論文参考訳（メタデータ） (2023-11-16T09:05:52Z)
Early-Exit Neural Networks with Nested Prediction Sets [26.618810100134862]
アーリーエグジットニューラルネットワーク(EENN)は、フォワードパス中に複数のステージで予測を提供することで、適応的で効率的な推論を可能にする。共形予測や信頼できる集合といった標準的なベイズ的手法はEENNには適さない。時効性信頼シーケンス(AVCS)について検討する。これらのシーケンスは本質的にネストされており、EENNのシーケンシャルな予測に適している。
論文参考訳（メタデータ） (2023-11-10T08:38:18Z)
Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文参考訳（メタデータ） (2023-10-02T03:25:32Z)
PerfSAGE: Generalized Inference Performance Predictor for Arbitrary Deep Learning Models on Edge Devices [8.272409756443539]
本稿では、任意のDNNliteグラフ上の推論遅延、エネルギー、メモリフットプリントを予測する新しいグラフニューラルネットワークであるPerfSAGEについて述べる。このデータセットを用いて、PerfSAGEをトレーニングし、すべてのターゲットとモデル検索空間にわたって平均絶対パーセンテージ誤差の5%で最先端の予測精度を示す実験結果を提供する。
論文参考訳（メタデータ） (2023-01-26T08:59:15Z)
Boosted Dynamic Neural Networks [53.559833501288146]
典型的なEDNNは、ネットワークバックボーンの異なる層に複数の予測ヘッドを持つ。モデルを最適化するために、これらの予測ヘッドとネットワークバックボーンは、トレーニングデータのバッチ毎にトレーニングされる。トレーニングと2つのフェーズでのインプットの異なるテストは、トレーニングとデータ分散のテストのミスマッチを引き起こす。 EDNNを勾配強化にインスパイアされた付加モデルとして定式化し、モデルを効果的に最適化するための複数のトレーニング手法を提案する。
論文参考訳（メタデータ） (2022-11-30T04:23:12Z)
Unsupervised Early Exit in DNNs with Multiple Exits [0.0]
我々は、Strong Dominance(SD)プロパティをほぼ満足することを示すために、事前訓練されたマルチエクイットDNNであるElastic BERTに焦点を当てた。 IMDbとYelpのデータセット上で,我々のアルゴリズムを実証的に検証する。
論文参考訳（メタデータ） (2022-09-20T05:35:54Z)
Learning Reasoning Strategies in End-to-End Differentiable Proving [50.9791149533921]
条件付き定理プローバーは勾配に基づく最適化により最適規則選択戦略を学習する。条件付き定理プローサは拡張性があり、CLUTRRデータセット上で最先端の結果が得られることを示す。
論文参考訳（メタデータ） (2020-07-13T16:22:14Z)
Accuracy Prediction with Non-neural Model for Neural Architecture Search [185.0651567642238]
精度予測に非神経モデルを用いる別の手法について検討する。我々は、ニューラルネットワーク探索(NAS)の予測因子として、勾配向上決定木(GBDT)を活用する。 NASBench-101とImageNetの実験は、NASの予測器としてGBDTを使用することの有効性を示した。
論文参考訳（メタデータ） (2020-07-09T13:28:49Z)
ProphetNet: Predicting Future N-gram for Sequence-to-Sequence Pre-training [85.35910219651572]
本稿ではProphetNetと呼ばれる新しいシーケンス・ツー・シーケンス事前学習モデルを提案する。将来的なn-gram予測という,新たな自己教師型目標を導入している。我々は,CNN/DailyMail,Gigaword,SQuAD 1.1ベンチマークを用いて,抽象的な要約と質問生成タスクの実験を行った。
論文参考訳（メタデータ） (2020-01-13T05:12:38Z)

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。