論文の概要: DeepVigor: Vulnerability Value Ranges and Factors for DNNs' Reliability
Assessment
- arxiv url: http://arxiv.org/abs/2303.06931v1
- Date: Mon, 13 Mar 2023 08:55:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 15:55:19.031410
- Title: DeepVigor: Vulnerability Value Ranges and Factors for DNNs' Reliability
Assessment
- Title（参考訳）: DeepVigor: DNNの信頼性評価のための脆弱性値範囲と要因
- Authors: Mohammad Hasan Ahmadilivani, Mahdi Taheri, Jaan Raik, Masoud
Daneshtalab, Maksim Jenihhin
- Abstract要約: Deep Neural Networks(DNN)とそのアクセラレータは、安全クリティカルなアプリケーションに頻繁にデプロイされている。
本稿では,DeepVigorと呼ばれる,高精度,微粒化,メトリック指向,アクセラレーションに依存しない新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 1.189955933770711
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep Neural Networks (DNNs) and their accelerators are being deployed ever
more frequently in safety-critical applications leading to increasing
reliability concerns. A traditional and accurate method for assessing DNNs'
reliability has been resorting to fault injection, which, however, suffers from
prohibitive time complexity. While analytical and hybrid fault
injection-/analytical-based methods have been proposed, they are either
inaccurate or specific to particular accelerator architectures. In this work,
we propose a novel accurate, fine-grain, metric-oriented, and
accelerator-agnostic method called DeepVigor that provides vulnerability value
ranges for DNN neurons' outputs. An outcome of DeepVigor is an analytical model
representing vulnerable and non-vulnerable ranges for each neuron that can be
exploited to develop different techniques for improving DNNs' reliability.
Moreover, DeepVigor provides reliability assessment metrics based on
vulnerability factors for bits, neurons, and layers using the vulnerability
ranges. The proposed method is not only faster than fault injection but also
provides extensive and accurate information about the reliability of DNNs,
independent from the accelerator. The experimental evaluations in the paper
indicate that the proposed vulnerability ranges are 99.9% to 100% accurate even
when evaluated on previously unseen test data. Also, it is shown that the
obtained vulnerability factors represent the criticality of bits, neurons, and
layers proficiently. DeepVigor is implemented in the PyTorch framework and
validated on complex DNN benchmarks.
- Abstract（参考訳）: ディープニューラルネットワーク(DNN)とそのアクセラレーターは、より頻繁に安全クリティカルなアプリケーションにデプロイされ、信頼性の懸念が高まる。
dnnの信頼性を評価する従来的かつ正確な方法は、フォールトインジェクションを頼りにしてきたが、しかしながら、時間的複雑さに苦しむ。
解析的およびハイブリッドなフォールトインジェクション/分析的手法が提案されているが、それらは特定の加速器アーキテクチャに不正確または特異的である。
本研究では,DNNニューロンの出力に対する脆弱性値範囲を提供するDeepVigorと呼ばれる,高精度,微細粒度,計量指向,加速器非依存の手法を提案する。
deepvigorの結果は、dnnの信頼性を改善するために異なる技術を開発するために活用できる各ニューロンの脆弱で不可逆な範囲を表す分析モデルである。
さらに、DeepVigorは、脆弱性範囲を使用したビット、ニューロン、レイヤの脆弱性ファクタに基づいた信頼性評価メトリクスを提供する。
提案手法は, 故障注入よりも高速であるだけでなく, 加速器から独立して, DNNの信頼性に関する広範囲かつ正確な情報も提供する。
本論文の実験的評価は,従来未確認テストデータで評価した場合でも,提案する脆弱性範囲は99.9%から100%正確であることを示している。
また, 得られた脆弱性因子は, ビット, ニューロン, レイヤの臨界度を良好に表している。
DeepVigorはPyTorchフレームワークで実装され、複雑なDNNベンチマークで検証される。
関連論文リスト
- DeepVigor+: Scalable and Accurate Semi-Analytical Fault Resilience Analysis for Deep Neural Network [0.4999814847776098]
本稿では,DNNにおける信頼性測定の効率的な代替手段として,スケーラブルで高速かつ高精度な半解析手法であるDeepVigor+を紹介する。
結果は、DeepVigor+が、1%未満の誤差と14.9の誤差を持つDNNモデルの脆弱性係数(VF)を、最もよく知られた最先端統計FIの26.9倍のシミュレーションで取得していることを示している。
論文 参考訳（メタデータ） (2024-10-21T08:01:08Z) - Enumerating Safe Regions in Deep Neural Networks with Provable
Probabilistic Guarantees [86.1362094580439]
安全プロパティとDNNが与えられた場合、安全であるプロパティ入力領域のすべての領域の集合を列挙する。
この問題の #P-hardness のため,epsilon-ProVe と呼ばれる効率的な近似法を提案する。
提案手法は, 許容限界の統計的予測により得られた出力可到達集合の制御可能な過小評価を利用する。
論文 参考訳（メタデータ） (2023-08-18T22:30:35Z) - Enhancing Fault Resilience of QNNs by Selective Neuron Splitting [1.1091582432763736]
ディープニューラルネットワーク(DNN)の複雑さに取り組むために量子ニューラルネットワーク(QNN)が登場した。
本稿では,ニューロン脆弱性因子(NVF)に基づく臨界ニューロンの同定にQNNを用いた最近の解析的レジリエンス評価手法を提案する。
計算部分を再設計することなく、加速器内に軽量補正ユニット(LCU)を設計できる臨界ニューロン分割法が提案されている。
論文 参考訳（メタデータ） (2023-06-16T17:11:55Z) - APPRAISER: DNN Fault Resilience Analysis Employing Approximation Errors [1.1091582432763736]
安全クリティカルなアプリケーションにおけるディープニューラルネットワーク(DNN)は、新たな信頼性の懸念を引き起こす。
エミュレーションによる断層注入の最先端手法は, 時間, 設計, 制御・複雑度の問題を引き起こす。
APPRAISERは、非伝統的な目的に関数近似を適用し、近似計算誤差を用いる。
論文 参考訳（メタデータ） (2023-05-31T10:53:46Z) - A Systematic Literature Review on Hardware Reliability Assessment
Methods for Deep Neural Networks [1.189955933770711]
ディープニューラルネットワーク(DNN)の信頼性は研究の必須課題である。
近年、DNNの信頼性を評価するためにいくつかの研究が公表されている。
本研究では,DNNの信頼性評価手法について,SLR(Systematic Literature Review)を実施している。
論文 参考訳（メタデータ） (2023-05-09T20:08:30Z) - The #DNN-Verification Problem: Counting Unsafe Inputs for Deep Neural
Networks [94.63547069706459]
#DNN-Verification問題は、DNNの入力構成の数を数えることによって安全性に反する結果となる。
違反の正確な数を返す新しい手法を提案する。
安全クリティカルなベンチマークのセットに関する実験結果を示す。
論文 参考訳（メタデータ） (2023-01-17T18:32:01Z) - Thales: Formulating and Estimating Architectural Vulnerability Factors
for DNN Accelerators [6.8082132475259405]
本稿では,過渡的エラーが発生した場合のネットワークの挙動を推定し,過渡的エラーが発生した場合の精度を定量化することに焦点を当てる。
既存のレジリエンス精度 (RA) の定式化は, ソフトウェア変数がハードウェアの過渡的欠陥の下で等価な故障確率を持つことを誤って仮定するため, 基本的に不正確であることを示す。
本稿では, 過渡的故障下でのDNN変数の故障確率を推定し, ハードウェアによる正しいRA推定を行うアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-12-05T23:16:20Z) - Can pruning improve certified robustness of neural networks? [106.03070538582222]
ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。
実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。
さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
論文 参考訳（メタデータ） (2022-06-15T05:48:51Z) - Neural Architecture Dilation for Adversarial Robustness [56.18555072877193]
畳み込みニューラルネットワークの欠点は、敵の攻撃に弱いことである。
本稿では, 良好な精度を有する背骨CNNの対角的堅牢性を向上させることを目的とする。
最小限の計算オーバーヘッドの下では、拡張アーキテクチャはバックボーンCNNの標準的な性能と親和性が期待できる。
論文 参考訳（メタデータ） (2021-08-16T03:58:00Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z)
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。