論文の概要: SpikingJET: Enhancing Fault Injection for Fully and Convolutional Spiking Neural Networks

• arxiv url: http://arxiv.org/abs/2404.00383v1
• Date: Sat, 30 Mar 2024 14:51:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 03:59:36.744735
• Title: SpikingJET: Enhancing Fault Injection for Fully and Convolutional Spiking Neural Networks
• Title（参考訳）: SpikingJET: 完全かつ畳み込み型ニューラルネットワークのためのフォールトインジェクションの強化
• Authors: Anil Bayram Gogebakan, Enrico Magliano, Alessio Carpegna, Annachiara Ruospo, Alessandro Savino, Stefano Di Carlo,
• Abstract要約: SpikingJETは、完全に接続された畳み込み型スパイキングニューラルネットワーク(SNN)用に特別に設計された新しいフォールトインジェクタである。 我々の研究は、SNNのハードウェア障害に対するレジリエンスを評価するための重要な必要性を、現実世界のアプリケーションにおけるその優位性を考える上で、浮き彫りにしている。
• 参考スコア（独自算出の注目度）: 37.89720165358964
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As artificial neural networks become increasingly integrated into safety-critical systems such as autonomous vehicles, devices for medical diagnosis, and industrial automation, ensuring their reliability in the face of random hardware faults becomes paramount. This paper introduces SpikingJET, a novel fault injector designed specifically for fully connected and convolutional Spiking Neural Networks (SNNs). Our work underscores the critical need to evaluate the resilience of SNNs to hardware faults, considering their growing prominence in real-world applications. SpikingJET provides a comprehensive platform for assessing the resilience of SNNs by inducing errors and injecting faults into critical components such as synaptic weights, neuron model parameters, internal states, and activation functions. This paper demonstrates the effectiveness of Spiking-JET through extensive software-level experiments on various SNN architectures, revealing insights into their vulnerability and resilience to hardware faults. Moreover, highlighting the importance of fault resilience in SNNs contributes to the ongoing effort to enhance the reliability and safety of Neural Network (NN)-powered systems in diverse domains.
• Abstract（参考訳）: 人工ニューラルネットワークが自動運転車や医療診断装置、産業自動化といった安全クリティカルなシステムに統合されるにつれて、ランダムなハードウェア障害に直面した際の信頼性が最重要となる。 本稿では,完全連結・畳み込み型スパイキングニューラルネットワーク(SNN)に特化して設計された新しい故障インジェクタであるSpkingJETを紹介する。 我々の研究は、SNNのハードウェア障害に対するレジリエンスを評価するための重要な必要性を、現実世界のアプリケーションにおけるその優位性を考える上で、浮き彫りにしている。 SpikingJETは、エラーを誘発し、シナプス重み、ニューロンモデルパラメータ、内部状態、アクティベーション機能などの重要なコンポーネントに障害を注入することで、SNNのレジリエンスを評価するための包括的なプラットフォームを提供する。 本稿では,各種SNNアーキテクチャのソフトウェアレベル実験を通じてスパイキングJETの有効性を実証し,その脆弱性とハードウェア故障に対するレジリエンスに関する知見を明らかにする。 さらに、SNNにおけるフォールトレジリエンスの重要性を強調することは、さまざまなドメインにおけるニューラルネットワーク(NN)駆動システムの信頼性と安全性を高めるための継続的な取り組みに寄与する。

関連論文リスト

• Toward End-to-End Bearing Fault Diagnosis for Industrial Scenarios with Spiking Neural Networks [6.686258023516048]
  スパイクニューラルネットワーク(SNN)は、低消費電力のバイナリスパイクを介して情報を伝達する。 本稿では,SNN手法の効率,性能,堅牢性を向上させるため,MRA-SNN(Multi-scale Residual Attention SNN)を提案する。 MRA-SNNは、既存の手法よりも精度、エネルギー消費ノイズの頑健性で優れており、現実の産業シナリオへの展開にも適している。
  論文  参考訳（メタデータ） (2024-08-17T06:41:58Z)
• Brain-Inspired Spiking Neural Networks for Industrial Fault Diagnosis: A Survey, Challenges, and Opportunities [10.371337760495521]
  Spiking Neural Network (SNN)は、Brainにインスパイアされたコンピューティングの原理に基づいている。 本稿では,SNNモデルの理論的進歩を体系的にレビューし,SNNとは何かという疑問に答える。
  論文  参考訳（メタデータ） (2023-11-13T11:25:34Z)
• SpikingJelly: An open-source machine learning infrastructure platform for spike-based intelligence [51.6943465041708]
  スパイキングニューラルネットワーク(SNN)は、高エネルギー効率のニューロモルフィックチップに脳にインスパイアされたインテリジェンスを実現することを目的としている。 我々は、ニューロモルフィックデータセットの事前処理、深層SNNの構築、パラメータの最適化、およびニューロモルフィックチップへのSNNのデプロイのためのフルスタックツールキットをコントリビュートする。
  論文  参考訳（メタデータ） (2023-10-25T13:15:17Z)
• 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)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• On the Intrinsic Structures of Spiking Neural Networks [66.57589494713515]
  近年、時間依存データやイベント駆動データを扱う大きな可能性から、SNNへの関心が高まっている。 スパイキング計算における本質的な構造の影響を総合的に調査する研究が数多く行われている。 この研究はSNNの本質的な構造を深く掘り下げ、SNNの表現性への影響を解明する。
  論文  参考訳（メタデータ） (2022-06-21T09:42:30Z)
• Fault-Aware Design and Training to Enhance DNNs Reliability with Zero-Overhead [67.87678914831477]
  ディープニューラルネットワーク(DNN)は、幅広い技術的進歩を可能にする。 最近の知見は、過渡的なハードウェア欠陥がモデル予測を劇的に損なう可能性があることを示唆している。 本研究では,トレーニングとモデル設計の両面で信頼性の問題に取り組むことを提案する。
  論文  参考訳（メタデータ） (2022-05-28T13:09:30Z)
• Building Compact and Robust Deep Neural Networks with Toeplitz Matrices [93.05076144491146]
  この論文は、コンパクトで、訓練が容易で、信頼性があり、敵の例に対して堅牢なニューラルネットワークを訓練する問題に焦点を当てている。 Toeplitzファミリーの構造化行列の特性を利用して、コンパクトでセキュアなニューラルネットワークを構築する。
  論文  参考訳（メタデータ） (2021-09-02T13:58:12Z)
• FAT: Training Neural Networks for Reliable Inference Under Hardware Faults [3.191587417198382]
  本稿では、ニューラルネットワーク(NN)トレーニング中のエラーモデリングを含む、フォールト・アウェア・トレーニング(FAT)と呼ばれる新しい手法を提案し、デバイス上の特定のフォールトモデルに耐性を持たせる。 FATはCIFAR10、GTSRB、SVHN、ImageNetなど多くの分類タスクに対して検証されている。
  論文  参考訳（メタデータ） (2020-11-11T16:09:39Z)
• NeuroAttack: Undermining Spiking Neural Networks Security through Externally Triggered Bit-Flips [11.872768663147776]
  Spiking Neural Networks(SNN)は、機械学習システムにおける正確性、リソース利用、エネルギー効率の課題に対する、有望な解決策として登場した。 これらのシステムは主流になってきていますが、本質的にセキュリティと信頼性の問題があります。 我々は低レベルの信頼性問題を利用してSNNの整合性を脅かすクロスレイヤー攻撃であるNeuroAttackを提案する。
  論文  参考訳（メタデータ） (2020-05-16T16:54:00Z)

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。