論文の概要: Explainable Fuzzy Neural Network with Multi-Fidelity Reinforcement Learning for Micro-Architecture Design Space Exploration

• arxiv url: http://arxiv.org/abs/2412.10754v1
• Date: Sat, 14 Dec 2024 08:54:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:54:44.481995
• Title: Explainable Fuzzy Neural Network with Multi-Fidelity Reinforcement Learning for Micro-Architecture Design Space Exploration
• Title（参考訳）: マイクロアーキテクチャ設計空間探索のための多要素強化学習を用いた説明可能なファジィニューラルネットワーク
• Authors: Hanwei Fan, Ya Wang, Sicheng Li, Tingyuan Liang, Wei Zhang,
• Abstract要約: 本稿ではファジィニューラルネットワークを用いて,設計空間探索プロセスから知識を導き,要約する。 また,安価で精度の低いデータを用いた探索を主目的とする多要素強化学習手法も導入した。 提案手法は,非常に限られたサンプル予算で優れた結果を得ることができ,現状の最先端を乗り越えることに成功した。
• 参考スコア（独自算出の注目度）: 7.753202347026196
• License:
• Abstract: With the continuous advancement of processors, modern micro-architecture designs have become increasingly complex. The vast design space presents significant challenges for human designers, making design space exploration (DSE) algorithms a significant tool for $\mu$-arch design. In recent years, efforts have been made in the development of DSE algorithms, and promising results have been achieved. However, the existing DSE algorithms, e.g., Bayesian Optimization and ensemble learning, suffer from poor interpretability, hindering designers' understanding of the decision-making process. To address this limitation, we propose utilizing Fuzzy Neural Networks to induce and summarize knowledge and insights from the DSE process, enhancing interpretability and controllability. Furthermore, to improve efficiency, we introduce a multi-fidelity reinforcement learning approach, which primarily conducts exploration using cheap but less precise data, thereby substantially diminishing the reliance on costly data. Experimental results show that our method achieves excellent results with a very limited sample budget and successfully surpasses the current state-of-the-art. Our DSE framework is open-sourced and available at https://github.com/fanhanwei/FNN\_MFRL\_ArchDSE/\ .
• Abstract（参考訳）: プロセッサの継続的な進歩により、現代のマイクロアーキテクチャの設計はますます複雑になっている。 巨大なデザイン空間は、デザインスペース探索(DSE)アルゴリズムを$\mu$-archデザインのための重要なツールにする、人間の設計者にとって重大な課題を提示している。 近年,DSEアルゴリズムの開発に取り組み,有望な成果が得られた。 しかし、既存のDSEアルゴリズム、例えばベイズ最適化やアンサンブル学習は、解釈性に乏しいため、設計者が意思決定プロセスを理解するのを妨げている。 この制限に対処するために、ファジィニューラルネットワークを用いて、DSEプロセスから知識と洞察を誘導し、要約し、解釈可能性と制御性を向上させることを提案する。 さらに,効率を向上させるために,安価で精度の低いデータによる探索を主目的とする多要素強化学習手法を導入し,コストのかかるデータへの依存を著しく低減する。 実験結果から,本手法は非常に限られたサンプル予算で優れた結果が得られ,現在の最先端技術を上回る結果が得られた。 我々のDSEフレームワークはオープンソースで、https://github.com/fanhanwei/FNN\_MFRL\_ArchDSE/\ で利用可能です。

関連論文リスト

• Computation-friendly Graph Neural Network Design by Accumulating Knowledge on Large Language Models [20.31388126105889]
  グラフニューラルネットワーク(GNN)は目覚ましい成功を収めているが、アーキテクチャ設計の複雑さによって妨げられている。 人間の作業量を減らすために、研究者はGNNを設計するための自動アルゴリズムを開発しようとしている。
  論文  参考訳（メタデータ） (2024-08-13T08:22:01Z)
• Finding Influencers in Complex Networks: An Effective Deep Reinforcement Learning Approach [13.439099770154952]
  本稿では,従来のベストインフルエンスアルゴリズムよりも優れた性能を実現する効果的な強化学習モデルを提案する。 具体的には、グラフニューラルネットワークアルゴリズムをエンコーダとして、強化学習をデコーダとして組み合わせたエンドツーエンド学習フレームワークDREIMを設計する。
  論文  参考訳（メタデータ） (2023-09-09T14:19:00Z)
• Homological Neural Networks: A Sparse Architecture for Multivariate Complexity [0.0]
  我々は,基礎となるデータのホモロジー構造上に構築された,疎密な高階グラフィカルアーキテクチャを特徴とする,新しいディープニューラルネットワークユニットを開発する。 その結果、この新しい設計の利点は、ごく少数のパラメータだけで最先端の機械学習モデルとディープラーニングモデルの結果を結び付けるか、克服することができる。
  論文  参考訳（メタデータ） (2023-06-27T09:46:16Z)
• DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure reconstruction from extremely small data sets [110.60233593474796]
  DA-VEGANは2つの中心的なイノベーションを持つモデルである。 $beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。 このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
  論文  参考訳（メタデータ） (2023-02-17T08:49:09Z)
• Learning Interpretable Models Through Multi-Objective Neural Architecture Search [0.9990687944474739]
  本稿では,タスク性能と「イントロスペクタビリティ」の両方を最適化するフレームワークを提案する。 タスクエラーとイントロスペクタビリティを共同で最適化することは、エラー内で実行されるより不整合でデバッグ可能なアーキテクチャをもたらすことを実証する。
  論文  参考訳（メタデータ） (2021-12-16T05:50:55Z)
• D-DARTS: Distributed Differentiable Architecture Search [75.12821786565318]
  微分可能なArchiTecture Search(DARTS)は、最も流行しているニューラルネットワークサーチ(NAS)の1つである。 セルレベルで複数のニューラルネットワークをネストすることでこの問題に対処する新しいソリューションD-DARTSを提案する。
  論文  参考訳（メタデータ） (2021-08-20T09:07:01Z)
• A Design Space Study for LISTA and Beyond [79.76740811464597]
  近年では、反復アルゴリズムの展開による問題固有のディープネットワーク構築に大きな成功を収めている。 本稿では,深層ネットワークにおける設計アプローチとしてのアンローリングの役割について再考する。 スパースリカバリのためのlistaを代表例として,未ロールモデルに対する設計空間調査を初めて実施した。
  論文  参考訳（メタデータ） (2021-04-08T23:01:52Z)
• Contrastive Self-supervised Neural Architecture Search [6.162410142452926]
  本稿では,新しいセルベースニューラルアーキテクチャ探索アルゴリズム(NAS)を提案する。 本アルゴリズムは,画像表現における自己教師付き学習の有効性を生かしている。 実験の結果,検索アルゴリズムが最先端の結果を得ることができた。
  論文  参考訳（メタデータ） (2021-02-21T08:38:28Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)
• Stage-Wise Neural Architecture Search [65.03109178056937]
  ResNetやNASNetのような現代の畳み込みネットワークは、多くのコンピュータビジョンアプリケーションで最先端の結果を得た。 これらのネットワークは、同じ解像度で表現を操作するレイヤのセットであるステージで構成されている。 各ステージにおけるレイヤー数の増加はネットワークの予測能力を向上させることが示されている。 しかし、結果として得られるアーキテクチャは、浮動小数点演算、メモリ要求、推論時間の観点から計算的に高価になる。
  論文  参考訳（メタデータ） (2020-04-23T14:16:39Z)
• NAS-Count: Counting-by-Density with Neural Architecture Search [74.92941571724525]
  ニューラルアーキテクチャサーチ(NAS)を用いたカウントモデルの設計を自動化する エンド・ツー・エンドの検索エンコーダ・デコーダアーキテクチャであるAutomatic Multi-Scale Network(AMSNet)を導入する。
  論文  参考訳（メタデータ） (2020-02-29T09:18:17Z)

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。