論文の概要: Benchmarking Accuracy in an Emulated Memory Experiment

• arxiv url: http://arxiv.org/abs/2411.02505v1
• Date: Mon, 04 Nov 2024 19:00:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 14:58:52.673516
• Title: Benchmarking Accuracy in an Emulated Memory Experiment
• Title（参考訳）: エミュレートメモリ実験におけるベンチマーク精度
• Authors: Tim Chan,
• Abstract要約: 本稿では,エミュレートされた表面コードメモリ実験から論理誤差率を抽出する手法を提案する。 この方法は論理誤差率抽出と呼ばれる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This note proposes a simpler method to extract the logical error rate from an emulated surface code memory experiment.
• Abstract（参考訳）: 本稿では,エミュレートされた表面コードメモリ実験から論理誤差率を抽出する手法を提案する。

関連論文リスト

• Using Detector Likelihood for Benchmarking Quantum Error Correction [0.0]
  実際の量子ハードウェアの挙動は、量子エラー補正をシミュレートする際に一般的に使用される単純なエラーモデルと大きく異なる。 本研究では,誤差検出の発生頻度を定量化する平均検出率を用いて,これを実現できることを示す。 このことは、単純な一様雑音モデルに対するシミュレーションが同じ平均検出可能性をもたらすような効果的な誤差率と、論理的誤差率のよい予測を定義するために用いられる。
  論文  参考訳（メタデータ） (2024-08-04T16:34:38Z)
• Visual Anomaly Detection Via Partition Memory Bank Module and Error Estimation [28.100204573591505]
  視覚的異常検出のためのメモリモジュールに基づく再構成手法は, 正常サンプルに対する再構成誤差を狭めつつ, 異常サンプルに対して増大させる。 本研究は、効果的な正常な特徴を共同で学習し、好ましくない再構成誤りを除去する、新しい教師なし視覚異常検出法を提案する。 提案手法の有効性を評価するため, 広く使用されている3つの異常検出データセットに対して, 広範囲にわたる実験を行った。
  論文  参考訳（メタデータ） (2022-09-26T06:15:47Z)
• Clear Memory-Augmented Auto-Encoder for Surface Defect Detection [10.829080460965478]
  本稿では,異常な前景を修復し,背景を鮮明に保存するメモリ拡張オートエンコーダを提案する。 できるだけ現実的で機能豊富な異常をシミュレートするために, 汎用的な人工異常生成アルゴリズムを提案する。 最後に,欠陥セグメンテーションのための新しいマルチスケール特徴残差検出法を提案する。
  論文  参考訳（メタデータ） (2022-08-08T02:39:03Z)
• Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
  本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。 これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。 提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
  論文  参考訳（メタデータ） (2022-06-04T19:45:02Z)
• A Model or 603 Exemplars: Towards Memory-Efficient Class-Incremental Learning [56.450090618578]
  CIL(Class-Incremental Learning)は、この要件を満たすために、限られたメモリサイズでモデルをトレーニングすることを目的としている。 モデルサイズを総予算にカウントし,メモリサイズに整合する手法を比較すると,保存モデルは常に機能しないことを示す。 本稿では,メモリ効率のよい拡張可能なMOdelのための MEMO という,シンプルで効果的なベースラインを提案する。
  論文  参考訳（メタデータ） (2022-05-26T08:24:01Z)
• Fast Few-shot Debugging for NLU Test Suites [9.99775371282839]
  ある現象のいくつかの例と、同じ現象のホールドアウトテストセットを考えると、元のテストセットの精度を最小限のコストで、その現象の精度を最大化することを目指している。 そこで,本研究では,従来のトレーニングセットからいくつかの実例をサンプリングする高速手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T17:56:23Z)
• Memory Replay with Data Compression for Continual Learning [80.95444077825852]
  古いトレーニングサンプルの記憶コストを低減するため,データ圧縮によるメモリリプレイを提案する。 我々はこれを、クラスインクリメンタル学習のいくつかのベンチマークと、自律運転のためのオブジェクト検出の現実的なシナリオにおいて、広範囲に検証する。
  論文  参考訳（メタデータ） (2022-02-14T10:26:23Z)
• Memory-Efficient Backpropagation through Large Linear Layers [107.20037639738433]
  Transformersのような現代のニューラルネットワークでは、線形層は後方通過時にアクティベーションを保持するために大きなメモリを必要とする。 本研究では,線形層によるバックプロパゲーションを実現するためのメモリ削減手法を提案する。
  論文  参考訳（メタデータ） (2022-01-31T13:02:41Z)
• How Low Can We Go: Trading Memory for Error in Low-Precision Training [52.94003953419242]
  低精度算術は、少ないエネルギー、少ないメモリ、少ない時間でディープラーニングモデルを訓練する。 私たちは貯金の代償を支払っている: 精度の低い方がラウンドオフエラーが大きくなり、したがって予測エラーが大きくなる可能性がある。 私たちはメタラーニングのアイデアを借りて、メモリとエラーのトレードオフを学びます。
  論文  参考訳（メタデータ） (2021-06-17T17:38:07Z)
• Memory-Efficient Sampling for Minimax Distance Measures [4.873362301533825]
  本稿では,メモリ要求を低減し,線形空間の複雑さを提供するため,効率的なサンプリング手法について検討する。 そこで本研究では,異なる領域の実世界のデータセット上での手法の評価を行い,その結果を分析した。
  論文  参考訳（メタデータ） (2020-05-26T11:00:34Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)

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。