Fugu-MT 論文翻訳(概要): Dynamic nsNet2: Efficient Deep Noise Suppression with Early Exiting

論文の概要: Dynamic nsNet2: Efficient Deep Noise Suppression with Early Exiting

arxiv url: http://arxiv.org/abs/2308.16678v1
Date: Thu, 31 Aug 2023 12:29:24 GMT
ステータス: 処理完了
システム内更新日: 2023-09-01 14:33:54.243140
Title: Dynamic nsNet2: Efficient Deep Noise Suppression with Early Exiting
Title（参考訳）: 動的nsNet2:早期消音による高効率ディープノイズ抑制
Authors: Riccardo Miccini, Alaa Zniber, Cl\'ement Laroche, Tobias Piechowiak, Martin Schoeberl, Luca Pezzarossa, Ouassim Karrakchou, Jens Spars{\o}, Mounir Ghogho
Abstract要約: 異なる段階の計算を停止させることにより、複数のレベルの精度とリソース節約を提供する nsNet2 に基づく早期終了モデルを提案する。確立したメトリクスに基づいて,パフォーマンスと計算複雑性のトレードオフを示す。
参考スコア（独自算出の注目度）: 2.72974875907999
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Although deep learning has made strides in the field of deep noise suppression, leveraging deep architectures on resource-constrained devices still proved challenging. Therefore, we present an early-exiting model based on nsNet2 that provides several levels of accuracy and resource savings by halting computations at different stages. Moreover, we adapt the original architecture by splitting the information flow to take into account the injected dynamism. We show the trade-offs between performance and computational complexity based on established metrics.
Abstract（参考訳）: ディープラーニングは、深いノイズ抑制の分野において進歩を遂げてきたが、リソースに制約されたデバイス上でのディープアーキテクチャの活用は依然として困難である。そこで我々は,異なる段階の計算を停止させることにより,様々なレベルの精度と資源節約を提供するnsNet2に基づく早期終了モデルを提案する。さらに,インジェクションされたダイナミズムを考慮した情報フローを分割することで,元のアーキテクチャを適応させる。確立したメトリクスに基づいて,パフォーマンスと計算複雑性のトレードオフを示す。

関連論文リスト

Predicting Probabilities of Error to Combine Quantization and Early Exiting: QuEE [68.6018458996143]
本稿では,量子化と早期出口動的ネットワークを組み合わせたより一般的な動的ネットワークQuEEを提案する。我々のアルゴリズムは、ソフトアーリーエグジットや入力依存圧縮の一形態と見なすことができる。提案手法の重要な要素は、さらなる計算によって実現可能な潜在的な精度向上の正確な予測である。
論文参考訳（メタデータ） (2024-06-20T15:25:13Z)
Heterogeneous Learning Rate Scheduling for Neural Architecture Search on Long-Tailed Datasets [0.0]
本稿では,DARTSのアーキテクチャパラメータに適した適応学習率スケジューリング手法を提案する。提案手法は,学習エポックに基づくアーキテクチャパラメータの学習率を動的に調整し,よく訓練された表現の破壊を防止する。
論文参考訳（メタデータ） (2024-06-11T07:32:25Z)
Walking Noise: On Layer-Specific Robustness of Neural Architectures against Noisy Computations and Associated Characteristic Learning Dynamics [1.5184189132709105]
本稿では,異なる分類タスクとモデルアーキテクチャに対する加法的,乗法的,混合ノイズの影響について論じる。本研究では,ロバスト性を測定するため,層固有のノイズを注入するウォーキングノイズ法を提案する。我々は,この方法論の実践的利用に関する議論をまとめ,ノイズの多い環境での適応型マルチエグゼクティブの活用について論じる。
論文参考訳（メタデータ） (2022-12-20T17:09:08Z)
Neural Networks with Quantization Constraints [111.42313650830248]
量子化学習における制約付き学習手法を提案する。結果の問題は強い双対であり、勾配推定は不要であることを示す。提案手法は画像分類タスクにおける競合性能を示す。
論文参考訳（メタデータ） (2022-10-27T17:12:48Z)
Physics-informed Deep Super-resolution for Spatiotemporal Data [18.688475686901082]
ディープ・ラーニングは、粗い粒度のシミュレーションに基づいて科学的データを増やすのに使うことができる。物理インフォームドラーニングにインスパイアされた、豊かで効率的な時間的超解像フレームワークを提案する。その結果,提案手法の有効性と効率が,ベースラインアルゴリズムと比較して優れていることが示された。
論文参考訳（メタデータ） (2022-08-02T13:57:35Z)
Low-bit Shift Network for End-to-End Spoken Language Understanding [7.851607739211987]
本稿では,連続パラメータを低ビットの2値に量子化する2乗量子化法を提案する。これにより、高価な乗算演算を除去し、低ビット重みを使用すれば計算の複雑さを低減できる。
論文参考訳（メタデータ） (2022-07-15T14:34:22Z)
Consistency Training of Multi-exit Architectures for Sensor Data [0.07614628596146598]
本稿では,一貫した出口訓練(Continuous exit training)と呼ばれるマルチエクイットアーキテクチャの堅牢なトレーニングのための,新規かつアーキテクチャに依存しないアプローチを提案する。弱監督を利用して、モデルの出力を整合性トレーニングと整合させ、ネットワーク内の出口に対してマルチタスク学習方式で二重空間を協調的に最適化する。
論文参考訳（メタデータ） (2021-09-27T17:11:25Z)
Single-Layer Vision Transformers for More Accurate Early Exits with Less Overhead [88.17413955380262]
視覚変換器アーキテクチャに基づく早期退避のための新しいアーキテクチャを提案する。本手法は分類問題と回帰問題の両方に有効であることを示す。また,音声視覚データ解析において,早期出口に音声と視覚のモダリティを統合する新しい手法を提案する。
論文参考訳（メタデータ） (2021-05-19T13:30:34Z)
Phase Retrieval using Expectation Consistent Signal Recovery Algorithm based on Hypernetwork [73.94896986868146]
位相検索は現代の計算イメージングシステムにおいて重要な要素である。近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
論文参考訳（メタデータ） (2021-01-12T08:36:23Z)
Faster Depth-Adaptive Transformers [71.20237659479703]
深さ適応型ニューラルネットワークは入力単語の硬さに応じて動的に深さを調整することができる。従来の作業は一般的に、計算が各レイヤで続行するか停止するかを決定するために停止ユニットを構築する。本稿では,停止ユニットを除去し,必要な深さを事前に推定し,より高速な深度適応モデルを生成する。
論文参考訳（メタデータ） (2020-04-27T15:08:10Z)
Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
論文参考訳（メタデータ） (2020-01-22T15:23:48Z)

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。