Fugu-MT 論文翻訳(概要): Floating-floating point: a highly accurate number representation with flexible Counting ranges

論文の概要: Floating-floating point: a highly accurate number representation with flexible Counting ranges

arxiv url: http://arxiv.org/abs/2410.03692v1
Date: Sun, 22 Sep 2024 18:52:13 GMT
ステータス: 処理完了
システム内更新日: 2024-11-02 20:38:13.014406
Title: Floating-floating point: a highly accurate number representation with flexible Counting ranges
Title（参考訳）: 浮動浮動小数点:柔軟な数列を持つ高精度な数表現
Authors: Itamar Cohen, Gil Einziger,
Abstract要約: 本稿では,浮動小数点数である浮動小数点(F2P)について紹介する。このような柔軟性は、選択したサブレンジに対する精度の向上と、大きなカウント範囲につながる。
参考スコア（独自算出の注目度）: 9.19134521360893
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Efficient number representation is essential for federated learning, natural language processing, and network measurement solutions. Due to timing, area, and power constraints, such applications use narrow bit-width (e.g., 8-bit) number systems. The widely used floating-point systems exhibit a trade-off between the counting range and accuracy. This paper introduces Floating-Floating-Point (F2P) - a floating point number that varies the partition between mantissa and exponent. Such flexibility leads to a large counting range combined with improved accuracy over a selected sub-range. Our evaluation demonstrates that moving to F2P from the state-of-the-art improves network measurement accuracy and federated learning.
Abstract（参考訳）: 効率の良い数表現は、連合学習、自然言語処理、ネットワーク計測ソリューションに不可欠である。タイミング、面積、電力の制約により、そのようなアプリケーションは狭いビット幅(例えば8ビット)の番号システムを使用する。広く使われている浮動小数点系は、カウント範囲と精度のトレードオフを示す。本稿では,浮動小数点数である浮動小数点(F2P)について紹介する。このような柔軟性は、選択したサブレンジに対する精度の向上と、大きなカウント範囲につながる。現状からF2Pに移行することで,ネットワーク計測精度とフェデレーション学習が向上することを示す。

関連論文リスト

WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文参考訳（メタデータ） (2024-07-18T11:51:01Z)
Learning to Make Keypoints Sub-Pixel Accurate [80.55676599677824]
本研究は,2次元局所特徴の検出におけるサブピクセル精度の課題に対処する。本稿では,検出された特徴に対するオフセットベクトルを学習することにより,サブピクセル精度で検出器を拡張できる新しいネットワークを提案する。
論文参考訳（メタデータ） (2024-07-16T12:39:56Z)
SignSGD with Federated Voting [69.06621279967865]
SignSGD with majority voting (signSGD-MV) は1ビット量子化により通信コストを大幅に削減できる効果的な分散学習アルゴリズムである。我々は、テキストフェデレート投票(signSGD-FV)を用いた新しいサインSGDを提案する。連合投票の考え方は、学習可能な重量を利用して多数決を行うことである。提案手法は, エッジデバイスが不均一なミニバッチサイズを使用する場合でも, 理論的収束を保証する。
論文参考訳（メタデータ） (2024-03-25T02:32:43Z)
Fixflow: A Framework to Evaluate Fixed-point Arithmetic in Light-Weight CNN Inference [0.0]
畳み込みニューラルネットワーク(CNN)は、IoTアプリケーションのリソース制約されたデバイスで広く利用されている。本稿では,異なる固定点ハードウェアユニットがCNN推定精度に与える影響について検討する。
論文参考訳（メタデータ） (2023-02-19T12:48:52Z)
Customizing Number Representation and Precision [0.0]
算術において、実数の表現は大きな問題である。固定点(FxP)と浮動小数点(FlP)は実数を表す主要な選択肢であり、その利点と欠点がある。この章では、FxP と FlP の数値表現を示し、それらのコスト、性能、エネルギーを公平に比較する。
論文参考訳（メタデータ） (2022-12-08T10:54:21Z)
Block Format Error Bounds and Optimal Block Size Selection [7.056118133284956]
ここで最も期待され、急速に進歩しているフロンティアの1つは、新しいデータフォーマットの作成である。本稿では, 数値演算を用いた内部積の動的範囲, 数値的精度, 効率的なハードウェア実装の組み合わせにより, ブロック浮動小数点数値形式に焦点をあてる。
論文参考訳（メタデータ） (2022-10-11T14:15:09Z)
FP8 Quantization: The Power of the Exponent [19.179749424362686]
本稿では,ニューラルネットワーク推論における浮動小数点方式の利点について検討する。我々はFP8フォーマットで選択できる選択について詳述し、マティーサと指数のビット数の重要な選択を含む。これらの結果が実際のネットワークにどのように変換され、FP8シミュレーションの効率的な実装と新しいアルゴリズムが提供されるかを示す。
論文参考訳（メタデータ） (2022-08-19T09:03:00Z)
Green, Quantized Federated Learning over Wireless Networks: An Energy-Efficient Design [68.86220939532373]
有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
論文参考訳（メタデータ） (2022-07-19T16:37:24Z)
ZippyPoint: Fast Interest Point Detection, Description, and Matching through Mixed Precision Discretization [71.91942002659795]
我々は,ネットワーク量子化技術を用いて推論を高速化し,計算限定プラットフォームでの利用を可能にする。バイナリディスクリプタを用いた効率的な量子化ネットワークZippyPointは,ネットワーク実行速度,ディスクリプタマッチング速度,3Dモデルサイズを改善する。これらの改善は、ホモグラフィー推定、視覚的ローカライゼーション、マップフリーな視覚的再ローカライゼーションのタスクで評価されるように、小さなパフォーマンス劣化をもたらす。
論文参考訳（メタデータ） (2022-03-07T18:59:03Z)
Rethinking Counting and Localization in Crowds:A Purely Point-Based Framework [59.578339075658995]
そこで本稿では,共同クラウドカウントと個別ローカライゼーションのための純粋にポイントベースのフレームワークを提案する。我々は、P2PNet(Point to Point Network)と呼ばれる、このフレームワークの下で直感的なソリューションを設計する。
論文参考訳（メタデータ） (2021-07-27T11:41:50Z)
EFloat: Entropy-coded Floating Point Format for Deep Learning [2.3204178451683264]
EFloatフォーマットは、平均指数フィールド幅を最小限に抑えるために、Huffman符号で頻繁な指数値を符号化する。提案した符号化概念は、8ビットフロートを含む低精度フォーマットに有用かもしれない。
論文参考訳（メタデータ） (2021-02-04T15:58:01Z)

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。