論文の概要: MutateNN: Mutation Testing of Image Recognition Models Deployed on
Hardware Accelerators
- arxiv url: http://arxiv.org/abs/2306.01697v1
- Date: Fri, 2 Jun 2023 17:15:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-05 14:04:26.618959
- Title: MutateNN: Mutation Testing of Image Recognition Models Deployed on
Hardware Accelerators
- Title(参考訳): MutateNN: ハードウェアアクセラレータにデプロイされた画像認識モデルの変異テスト
- Authors: Nikolaos Louloudakis, Perry Gibson, Jos\'e Cano, and Ajitha Rajan
- Abstract要約: MutateNNは、突然変異テストと解析機能を提供するツールである。
我々は、広く知られている7つの深層ニューラルネットワークモデルに21の突然変異を利用する。
- 参考スコア(独自算出の注目度): 0.7349727826230861
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: With the research advancement of Artificial Intelligence in the last years,
there are new opportunities to mitigate real-world problems and advance
technologically. Image recognition models in particular, are assigned with
perception tasks to mitigate complex real-world challenges and lead to new
solutions. Furthermore, the computational complexity and demand for resources
of such models has also increased. To mitigate this, model optimization and
hardware acceleration has come into play, but effectively integrating such
concepts is a challenging and error-prone process.
In order to allow developers and researchers to explore the robustness of
deep learning image recognition models deployed on different hardware
acceleration devices, we propose MutateNN, a tool that provides mutation
testing and analysis capabilities for that purpose. To showcase its
capabilities, we utilized 21 mutations for 7 widely-known pre-trained deep
neural network models. We deployed our mutants on 4 different devices of
varying computational capabilities and observed discrepancies in mutants
related to conditional operations, as well as some unstable behaviour with
those related to arithmetic types.
- Abstract(参考訳): 近年の人工知能の研究進歩により、現実世界の問題を緩和し、技術的に前進する新たな機会が生まれている。
特に画像認識モデルは、複雑な現実世界の課題を軽減し、新しい解決策につながるために知覚タスクに割り当てられる。
さらに、そのようなモデルの資源に対する計算複雑性と需要も増大した。
これを軽減するために、モデル最適化とハードウェアアクセラレーションが動き出したが、そのような概念を効果的に統合することは困難でエラーを起こしやすいプロセスである。
デベロッパーと研究者は、異なるハードウェアアクセラレーションデバイスにデプロイされたディープラーニング画像認識モデルの堅牢性を調べるために、変異テストと解析機能を提供するツールであるMutateNNを提案する。
その能力を示すために、広く知られている7つの深層ニューラルネットワークモデルの21の変異を利用した。
計算能力の異なる4種類のミュータントに対して,条件演算に関連するミュータントと,算術型に関連するミュータントとの不安定な動作を観察した。
関連論文リスト
- On the locality bias and results in the Long Range Arena [49.15148871877941]
Long Range ArenaベンチマークはTransformerの改良性能を評価するために設計された。
ステート・スペース・モデル(SSM)のような新しいアーキテクチャは、LRAのトランスフォーマーよりも優れていた。
LRAは長距離依存モデリングのベンチマークであるが、実際にはほとんどのパフォーマンスは短距離依存によるものである。
論文 参考訳(メタデータ) (2025-01-24T15:34:50Z) - SIDDA: SInkhorn Dynamic Domain Adaptation for Image Classification with Equivariant Neural Networks [37.69303106863453]
SIDDA は Sinkhorn の発散に基づいて構築された DA トレーニングアルゴリズムである。
SIDDAはNNの一般化能力を向上する。
また,二面体群$D_N$の群順の変動に関して,SIDDAの有効性について検討した。
論文 参考訳(メタデータ) (2025-01-23T19:29:34Z) - Genetic Motifs as a Blueprint for Mismatch-Tolerant Neuromorphic Computing [1.8292454465322363]
SNNの混合信号実装はエッジコンピューティングアプリケーションに有望なソリューションを提供する。
これらのニューロモルフィックプロセッサのアナログ回路におけるデバイスミスマッチは、堅牢な処理の展開に重大な課題をもたらす。
この問題に対処するために,生物開発に触発された新しいアーキテクチャソリューションを導入する。
論文 参考訳(メタデータ) (2024-10-25T09:04:50Z) - Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。
我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。
その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
論文 参考訳(メタデータ) (2023-11-06T22:13:10Z) - Full Stack Optimization of Transformer Inference: a Survey [58.55475772110702]
トランスフォーマーモデルは広範囲のアプリケーションにまたがって優れた精度を実現する。
最近のTransformerモデルの推測に必要な計算量と帯域幅は、かなり増加しています。
Transformerモデルをより効率的にすることに注力している。
論文 参考訳(メタデータ) (2023-02-27T18:18:13Z) - T4PdM: a Deep Neural Network based on the Transformer Architecture for
Fault Diagnosis of Rotating Machinery [0.0]
本稿では,Transformerアーキテクチャの修正版であるT4PdMに基づいて,自動故障分類器モデルを構築した。
T4PdMは2つのデータセットの総合精度99.98%と98%を達成した。
回転する産業機械の故障の検出・分類におけるモデルの有用性を実証した。
論文 参考訳(メタデータ) (2022-04-07T20:31:45Z) - Factorizer: A Scalable Interpretable Approach to Context Modeling for
Medical Image Segmentation [6.030648996110607]
この研究はFacterizerと呼ばれるモデルのファミリーを導入し、エンド・ツー・エンドのセグメンテーション・モデルを構築するために低ランク行列係数化の力を利用する。
具体的には、U字型アーキテクチャに組み込まれた微分可能な層として非負行列因子化(NMF)を定式化する、コンテキストモデリングに対する線形スケーラブルなアプローチを提案する。
ファクターは精度、スケーラビリティ、解釈可能性の点でCNNやTransformerと良好に競合する。
論文 参考訳(メタデータ) (2022-02-24T18:51:19Z) - 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) - On the benefits of robust models in modulation recognition [53.391095789289736]
畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。
画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。
最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-27T19:58:06Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳(メタデータ) (2021-02-25T14:24:49Z)
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。