論文の概要: Fault injection analysis of Real NVP normalising flow model for satellite anomaly detection

• arxiv url: http://arxiv.org/abs/2504.02015v1
• Date: Wed, 02 Apr 2025 08:32:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 12:55:56.765218
• Title: Fault injection analysis of Real NVP normalising flow model for satellite anomaly detection
• Title（参考訳）: 衛星異常検出のための実NVP正規化流れモデルの断層注入解析
• Authors: Gabriele Greco, Carlo Cena, Umberto Albertin, Mauro Martini, Marcello Chiaberge,
• Abstract要約: 衛星は、通信、地球観測、宇宙科学など、様々な用途に使用される。 人工知能(AI)の重要な応用の1つは、故障検出である。 ニューラルネットワークの利点にもかかわらず、これらのシステムは放射線エラーに弱いため、信頼性に大きな影響を及ぼす可能性がある。
• 参考スコア（独自算出の注目度）: 0.22369578015657962
• License:
• Abstract: Satellites are used for a multitude of applications, including communications, Earth observation, and space science. Neural networks and deep learning-based approaches now represent the state-of-the-art to enhance the performance and efficiency of these tasks. Given that satellites are susceptible to various faults, one critical application of Artificial Intelligence (AI) is fault detection. However, despite the advantages of neural networks, these systems are vulnerable to radiation errors, which can significantly impact their reliability. Ensuring the dependability of these solutions requires extensive testing and validation, particularly using fault injection methods. This study analyses a physics-informed (PI) real-valued non-volume preserving (Real NVP) normalizing flow model for fault detection in space systems, with a focus on resilience to Single-Event Upsets (SEUs). We present a customized fault injection framework in TensorFlow to assess neural network resilience. Fault injections are applied through two primary methods: Layer State injection, targeting internal network components such as weights and biases, and Layer Output injection, which modifies layer outputs across various activations. Fault types include zeros, random values, and bit-flip operations, applied at varying levels and across different network layers. Our findings reveal several critical insights, such as the significance of bit-flip errors in critical bits, that can lead to substantial performance degradation or even system failure. With this work, we aim to exhaustively study the resilience of Real NVP models against errors due to radiation, providing a means to guide the implementation of fault tolerance measures.
• Abstract（参考訳）: 衛星は、通信、地球観測、宇宙科学など、様々な用途に使用される。 ニューラルネットワークとディープラーニングベースのアプローチは、これらのタスクのパフォーマンスと効率を高めるための最先端技術を表している。 衛星が様々な断層に影響を受けやすいことを考えると、人工知能(AI)の重要な応用の1つは断層検出である。 しかし、ニューラルネットワークの利点にもかかわらず、これらのシステムは放射線エラーに弱いため、信頼性に大きな影響を及ぼす可能性がある。 これらのソリューションの信頼性を保証するには、広範囲なテストと検証が必要です。 本研究では、物理インフォームド(PI)実数値非体積保存(Real NVP)正規化フローモデルの解析を行い、単一イベントアップセット(SEU)へのレジリエンスに着目した。 ニューラルネットワークのレジリエンスを評価するために,TensorFlowに独自のフォールトインジェクションフレームワークを提案する。 フェールインジェクションは、重みやバイアスなどの内部ネットワークコンポーネントをターゲットにしたレイヤステートインジェクションと、様々なアクティベーションにわたるレイヤ出力を変更するレイヤアウトプットインジェクションの2つの主要な方法によって適用される。 フォールトタイプにはゼロ、ランダム値、ビットフリップ操作が含まれ、異なるレベルの異なるネットワーク層に適用される。 以上の結果から,重要なビットにおけるビットフリップエラーの重要性や,性能劣化やシステム障害など,いくつかの重要な洞察が得られた。 本研究は, 実NVPモデルの放射線による誤差に対するレジリエンスを徹底的に研究することを目的としており, 耐障害性対策の実施の指針となる。

関連論文リスト

• Mitigating multiple single-event upsets during deep neural network inference using fault-aware training [0.0]
  ディープニューラルネットワーク(DNN)は、安全クリティカルなアプリケーションでますます利用されている。 本研究は, モデルレベルで故障注入を行うことにより, DNNにおける複数単一ビット単点乱れの影響を解析する。 ハードウェアの変更なしにDNNのフォールトに対する堅牢性を向上するフォールトアウェアトレーニング(FAT)手法が提案されている。
  論文  参考訳（メタデータ） (2025-02-13T14:43:22Z)
• Evaluating Single Event Upsets in Deep Neural Networks for Semantic Segmentation: an embedded system perspective [1.474723404975345]
  本稿では,組み込みディープニューラルネットワーク(DNN)のロバスト性評価について述べる。 本研究は,様々なエンコーダデコーダモデルの層間およびビット間感度をソフトエラーに精査することにより,セグメント化DNNのSEUに対する脆弱性を徹底的に調査する。 本稿では,資源制約によるデプロイメントに適したメモリや計算コストを伴わない,実用的な軽量なエラー軽減手法を提案する。
  論文  参考訳（メタデータ） (2024-12-04T18:28:38Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• A New Knowledge Distillation Network for Incremental Few-Shot Surface Defect Detection [20.712532953953808]
  本稿では,DKAN(Dual Knowledge Align Network)と呼ばれる新しい知識蒸留ネットワークを提案する。 提案したDKAN法は,事前学習型ファインタニング伝達学習パラダイムを踏襲し,ファインタニングのための知識蒸留フレームワークを設計した。 Few-shot NEU-DETデータセットをインクリメンタルに実験した結果、DKANは様々なシーンで他の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-01T15:08:44Z)
• Towards an Awareness of Time Series Anomaly Detection Models' Adversarial Vulnerability [21.98595908296989]
  本研究では,センサデータに小さな対向摂動のみを加えることで,最先端の異常検出手法の性能を著しく劣化させることを実証した。 いくつかのパブリックデータセットとプライベートデータセットに対して、予測エラー、異常、分類スコアなど、さまざまなスコアを使用する。 敵攻撃に対する異常検出システムの脆弱性を初めて実証した。
  論文  参考訳（メタデータ） (2022-08-24T01:55:50Z)
• 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)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
  科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。 既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。 これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
  論文  参考訳（メタデータ） (2021-09-02T16:06:45Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Fault Injectors for TensorFlow: Evaluation of the Impact of Random Hardware Faults on Deep CNNs [4.854070123523902]
  我々は,ランダムな障害の存在下での深層学習(dl)コンポーネントの動作を評価するための2つの新しいフォールトインジェクション(fi)フレームワークを提案する。 本稿では,2つの画像セットを用いた4つのvgg畳み込みnnを用いたfi実験の結果について述べる。 結果は、最も重要な操作とレイヤーを特定し、機能的に類似したNNの信頼性特性を比較し、選択的なフォールトトレランスメカニズムを導入するのに役立ちます。
  論文  参考訳（メタデータ） (2020-12-13T11:16:25Z)
• NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
  機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。 既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。 本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:39:07Z)

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。