Fugu-MT 論文翻訳(概要): Hybrid Convolutional Neural Networks with Reliability Guarantee

論文の概要: Hybrid Convolutional Neural Networks with Reliability Guarantee

arxiv url: http://arxiv.org/abs/2405.05146v2
Date: Thu, 9 May 2024 09:31:36 GMT
ステータス: 処理完了
システム内更新日: 2024-05-10 12:23:27.572761
Title: Hybrid Convolutional Neural Networks with Reliability Guarantee
Title（参考訳）: 信頼性保証を伴うハイブリッド畳み込みニューラルネットワーク
Authors: Hans Dermot Doran, Suzana Veljanovska,
Abstract要約: 我々は、AIモデルの信頼性を確保するために、よく知られた手法として冗長実行を提案する。このジェネリックテクニックは、十分に文書化された安全性や信頼性を特徴としないAI加速器の応用範囲を拡張する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Making AI safe and dependable requires the generation of dependable models and dependable execution of those models. We propose redundant execution as a well-known technique that can be used to ensure reliable execution of the AI model. This generic technique will extend the application scope of AI-accelerators that do not feature well-documented safety or dependability properties. Typical redundancy techniques incur at least double or triple the computational expense of the original. We adopt a co-design approach, integrating reliable model execution with non-reliable execution, focusing that additional computational expense only where it is strictly necessary. We describe the design, implementation and some preliminary results of a hybrid CNN.
Abstract（参考訳）: AIを安全かつ信頼性の高いものにするには、信頼性のあるモデルの生成とそれらのモデルの信頼性の高い実行が必要である。我々は、AIモデルの信頼性を確保するために、よく知られた手法として冗長実行を提案する。このジェネリックテクニックは、十分に文書化された安全性や信頼性を特徴としないAI加速器の応用範囲を拡張する。典型的な冗長性技術は、元の計算コストを少なくとも2倍または3倍にします。我々は、信頼性の高いモデル実行と信頼性のない実行を統合する、協調設計アプローチを採用し、厳密な必要な場合にのみ追加の計算コストに焦点を当てる。本稿では,ハイブリッドCNNの設計,実装,およびいくつかの予備的な結果について述べる。

関連論文リスト

Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
論文参考訳（メタデータ） (2024-10-31T07:28:22Z)
Generative Diffusion-based Contract Design for Efficient AI Twins Migration in Vehicular Embodied AI Networks [55.15079732226397]
Embodied AIは、サイバースペースと物理空間のギャップを埋める、急速に進歩する分野だ。 VEANETでは、組み込まれたAIツインが車載AIアシスタントとして機能し、自律運転をサポートするさまざまなタスクを実行する。
論文参考訳（メタデータ） (2024-10-02T02:20:42Z)
Exploring Cross-model Neuronal Correlations in the Context of Predicting Model Performance and Generalizability [2.6708879445664584]
本稿では,新しいモデルを用いたモデルの性能評価手法を提案する。提案手法は,1つのネットワーク内の各ニューロンに対して,類似の出力を生成する他のネットワークにニューロンが存在するかどうかを判定することにより相関性を評価する。
論文参考訳（メタデータ） (2024-08-15T22:57:39Z)
Model Agnostic Hybrid Sharding For Heterogeneous Distributed Inference [11.39873199479642]
Nesaは、分散AI推論用に設計されたモデルに依存しないシャーディングフレームワークを導入した。私たちのフレームワークでは、ブロックチェーンベースのディープニューラルネットワークシャーディングを使用して、さまざまなノードネットワークに計算タスクを分散しています。われわれの結果は、最先端のAI技術へのアクセスを民主化する可能性を強調している。
論文参考訳（メタデータ） (2024-07-29T08:18:48Z)
Multifidelity Cross-validation [0.0]
我々は、複数の忠実度におけるシステムのモデルから観察される関心の量のエミュレートに興味がある。そこで我々は,LOO-CV(Leave-one-out cross-validation)を用いて代理モデルを積極的に学習する新しい手法を提案する。本手法は, ガスタービンブレードの熱応力解析だけでなく, 合成試験問題にも有効であることを示す。
論文参考訳（メタデータ） (2024-07-01T17:42:11Z)
Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
論文参考訳（メタデータ） (2024-05-30T03:57:29Z)
One-Shot Safety Alignment for Large Language Models via Optimal Dualization [64.52223677468861]
本稿では,制約付きアライメントを等価な非制約アライメント問題に還元する双対化の観点を提案する。我々は、閉形式を持つ滑らかで凸な双対函数を事前に最適化する。我々の戦略は、モデルベースと嗜好ベースの設定における2つの実用的なアルゴリズムに導かれる。
論文参考訳（メタデータ） (2024-05-29T22:12:52Z)
Input Convex Lipschitz RNN: A Fast and Robust Approach for Engineering Tasks [14.835081385422653]
入力凸リプシッツリカレントニューラルネットワークと呼ばれる新しいネットワークアーキテクチャを開発した。このモデルは、高速で堅牢な最適化ベースのタスクのために明示的に設計されている。我々は、様々な実用工学的応用でこのモデルを成功裏に実装した。
論文参考訳（メタデータ） (2024-01-15T06:26:53Z)
Precision-Recall Divergence Optimization for Generative Modeling with GANs and Normalizing Flows [54.050498411883495]
本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
論文参考訳（メタデータ） (2023-05-30T10:07:17Z)
GAR: Generalized Autoregression for Multi-Fidelity Fusion [16.464126364802283]
一般化自己回帰(GAR)は、低忠実度(高速だが不正確な)と高忠実度(スローだが正確な)シミュレーションの結果を組み合わせるために提案される。ガーは任意の次元出力と任意の多面体データ構造に対処し、多面体融合の需要を満たすことができる。 Gar は SOTA 法を高いマージン(RMSE の最大 6 倍の改善)で一貫して上回り、高忠実度トレーニングサンプルはわずか2 つしかない。
論文参考訳（メタデータ） (2023-01-13T19:10:25Z)
An Image Enhancing Pattern-based Sparsity for Real-time Inference on Mobile Devices [58.62801151916888]
パターンと接続性を組み合わせた新しい空間空間,すなわちパターンベースの空間空間を導入し,高度に正確かつハードウェアに親しみやすいものにした。新たなパターンベースの空間性に対する我々のアプローチは,モバイルプラットフォーム上での高効率DNN実行のためのコンパイラ最適化に自然に適合する。
論文参考訳（メタデータ） (2020-01-20T16:17:36Z)

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。