論文の概要: Resource-Efficient Sensor Fusion via System-Wide Dynamic Gated Neural Networks

• arxiv url: http://arxiv.org/abs/2410.16723v1
• Date: Tue, 22 Oct 2024 06:12:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:27:52.206843
• Title: Resource-Efficient Sensor Fusion via System-Wide Dynamic Gated Neural Networks
• Title（参考訳）: System-Wide Dynamic Gated Neural Networkによる資源効率の高いセンサフュージョン
• Authors: Chetna Singhal, Yashuo Wu, Francesco Malandrino, Sharon Ladron de Guevara Contreras, Marco Levorato, Carla Fabiana Chiasserini,
• Abstract要約: 我々はQuantile-Constrained Inference (QIC)と呼ばれる新しいアルゴリズム戦略を提案する。 QICは、上記のシステムのすべての側面について、共同で高品質で迅速な決定を行います。 結果,QICは最適値と一致し,選択肢を80%以上上回っていることを確認した。
• 参考スコア（独自算出の注目度）: 16.0018681576301
• License:
• Abstract: Mobile systems will have to support multiple AI-based applications, each leveraging heterogeneous data sources through DNN architectures collaboratively executed within the network. To minimize the cost of the AI inference task subject to requirements on latency, quality, and - crucially - reliability of the inference process, it is vital to optimize (i) the set of sensors/data sources and (ii) the DNN architecture, (iii) the network nodes executing sections of the DNN, and (iv) the resources to use. To this end, we leverage dynamic gated neural networks with branches, and propose a novel algorithmic strategy called Quantile-constrained Inference (QIC), based upon quantile-Constrained policy optimization. QIC makes joint, high-quality, swift decisions on all the above aspects of the system, with the aim to minimize inference energy cost. We remark that this is the first contribution connecting gated dynamic DNNs with infrastructure-level decision making. We evaluate QIC using a dynamic gated DNN with stems and branches for optimal sensor fusion and inference, trained on the RADIATE dataset offering Radar, LiDAR, and Camera data, and real-world wireless measurements. Our results confirm that QIC matches the optimum and outperforms its alternatives by over 80%.
• Abstract（参考訳）: モバイルシステムは複数のAIベースのアプリケーションをサポートし、それぞれがネットワーク内で協調的に実行されるDNNアーキテクチャを通じて異種データソースを活用する必要がある。 AI推論タスクのレイテンシ、品質、そして(決定的に)推論プロセスの信頼性に関する要件によるコストを最小化するためには、最適化が不可欠である。 (i)センサ・データソースのセット及び (ii)DNNアーキテクチャ 三)DNNのセクションを実行するネットワークノード及び (4)使用するリソース。 この目的のために、動的ゲート型ニューラルネットワークを枝付きで活用し、Quantile-Constrained Inference (QIC)と呼ばれる新しいアルゴリズム戦略を提案する。 QICは、推論エネルギーコストを最小化することを目的として、上記のシステムの全側面について、共同で高品質で迅速な決定を行う。 これは、動的DNNとインフラストラクチャレベルの意思決定を結び付ける最初のコントリビューションである。 我々は,センサフュージョンと推論のための幹と枝を持つ動的ゲートDNNを用いてQICを評価し,Radar,LiDAR,カメラデータを提供するRADIATEデータセットと実世界の無線測定を行った。 結果,QICは最適値と一致し,選択肢を80%以上上回っていることを確認した。

関連論文リスト

• DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
  本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。 我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。 拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-11T06:31:03Z)
• RLEEGNet: Integrating Brain-Computer Interfaces with Adaptive AI for Intuitive Responsiveness and High-Accuracy Motor Imagery Classification [0.0]
  本稿では,Deep Q-Networks (DQN) を用いた強化学習を分類タスクに活用するフレームワークを提案する。 本稿では,OVR(One-Versus-The-Rest)方式で,マルチクラス運動画像(MI)分類のための前処理手法を提案する。 DQNと1D-CNN-LSTMアーキテクチャの統合は意思決定プロセスをリアルタイムで最適化する。
  論文  参考訳（メタデータ） (2024-02-09T02:03:13Z)
• ILP-based Resource Optimization Realized by Quantum Annealing for Optical Wide-area Communication Networks -- A Framework for Solving Combinatorial Problems of a Real-world Application by Quantum Annealing [5.924780594614675]
  近年の研究では、D-Wave AdvantageTM量子アニールシステムに組み込むことができる2次非拘束二元最適化(QUBO)問題として、そのような問題をいかに実装できるかを実証した。 本稿では、システムパラメータの最適化に関する調査と、ソリューションの品質をさらに向上させるために機械学習(ML)技術をどのように取り入れているかについて報告する。 我々は、このNNを単純な整数線形プログラミング(ILP)の例で実装し、D-Waveが取得しなかった解空間をNNが完全にマッピングする方法を実証した。
  論文  参考訳（メタデータ） (2024-01-01T17:52:58Z)
• Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
  イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。 イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。 本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-06T23:45:58Z)
• A Robust Deep Learning-Based Beamforming Design for RIS-assisted Multiuser MISO Communications with Practical Constraints [4.727307803726522]
  RIS支援マルチユーザマルチインプットシングルアウトプットダウンリンク通信システムについて検討する。 我々は、アクティブビームフォーミングとパッシブビームフォーミングを同時に設計するディープ量子化ニューラルネットワーク(DQNN)を開発した。 提案した2つのDQNNアルゴリズムは、離散位相シフトと不完全なCSIが同時に考慮される場合に拡張する。
  論文  参考訳（メタデータ） (2021-11-12T03:53:20Z)
• 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)
• Impact of On-Chip Interconnect on In-Memory Acceleration of Deep Neural Networks [11.246977770747526]
  接続密度の増加はチップ上のデータ移動を増加させる。 本稿では,P2Pベースの相互接続が,チップ上の大量のデータ移動を処理できないことを示す。 任意のDNNに対して最適な相互接続を選択する手法を提案する。
  論文  参考訳（メタデータ） (2021-07-06T02:44:00Z)
• Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
  本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。 我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
  論文  参考訳（メタデータ） (2021-06-15T09:03:28Z)
• Deep Learning-based Resource Allocation For Device-to-Device Communication [66.74874646973593]
  デバイス間通信(D2D)を用いたマルチチャネルセルシステムにおいて,リソース割り当ての最適化のためのフレームワークを提案する。 任意のチャネル条件に対する最適な資源配分戦略をディープニューラルネットワーク(DNN)モデルにより近似する深層学習(DL)フレームワークを提案する。 シミュレーションの結果,提案手法のリアルタイム性能を低速で実現できることが確認された。
  論文  参考訳（メタデータ） (2020-11-25T14:19:23Z)
• A Progressive Sub-Network Searching Framework for Dynamic Inference [33.93841415140311]
  本稿では、トレーニング可能なノイズランキング、チャネルグループ、微調整しきい値設定、サブネット再選択など、いくつかの効果的な手法を組み込んだプログレッシブサブネット探索フレームワークを提案する。 提案手法は,従来普及していたUniversally-Slimmable-Networkの4.4%と平均2.3%と,モデルサイズが同じであるImageNetデータセットと比較して,より優れた動的推論精度を実現する。
  論文  参考訳（メタデータ） (2020-09-11T22:56:02Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)

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。

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。