Fugu-MT 論文翻訳(概要): CrossNAS: A Cross-Layer Neural Architecture Search Framework for PIM Systems

論文の概要: CrossNAS: A Cross-Layer Neural Architecture Search Framework for PIM Systems

arxiv url: http://arxiv.org/abs/2505.22868v1
Date: Wed, 28 May 2025 21:00:49 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-30 18:14:07.541999
Title: CrossNAS: A Cross-Layer Neural Architecture Search Framework for PIM Systems
Title（参考訳）: CrossNAS: PIMシステムのためのクロス層ニューラルネットワーク検索フレームワーク
Authors: Md Hasibul Amin, Mohammadreza Mohammadi, Jason D. Bakos, Ramtin Zand,
Abstract要約: CrossNASは、PIMシステム上の多次元検索空間を探索する自動化アプローチである。 CrossNASは、PIMニューラルアーキテクチャサーチ(NAS)の新しいベンチマークを設定し、精度とエネルギー効率の両方で従来の手法より優れている。
参考スコア（独自算出の注目度）: 0.5492530316344587
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we propose the CrossNAS framework, an automated approach for exploring a vast, multidimensional search space that spans various design abstraction layers-circuits, architecture, and systems-to optimize the deployment of machine learning workloads on analog processing-in-memory (PIM) systems. CrossNAS leverages the single-path one-shot weight-sharing strategy combined with the evolutionary search for the first time in the context of PIM system mapping and optimization. CrossNAS sets a new benchmark for PIM neural architecture search (NAS), outperforming previous methods in both accuracy and energy efficiency while maintaining comparable or shorter search times.
Abstract（参考訳）: 本稿では、アナログ処理インメモリ(PIM)システム上での機械学習ワークロードのデプロイを最適化するために、様々な設計抽象化層(回路、アーキテクチャ、システム)にまたがる多次元検索空間を探索する自動化手法であるCrossNASフレームワークを提案する。 CrossNASは、PIMシステムマッピングと最適化の文脈において、シングルパスワンショットの重み共有戦略と、進化的検索とを初めて併用する。 CrossNASは、PIMニューラルアーキテクチャサーチ(NAS)のための新しいベンチマークを設定し、同等または短い検索時間を維持しながら、精度とエネルギー効率の両方で従来の方法より優れている。

関連論文リスト

HEP-NAS: Towards Efficient Few-shot Neural Architecture Search via Hierarchical Edge Partitioning [8.484729345263153]
ワンショット手法は、探索コストを削減するために重み付け戦略を採用することにより、ニューラルネットワーク探索(NAS)の分野を進歩させた。この問題を緩和するために、エッジをエッジごとに分割することで、スーパーネット全体を個々のサブスーパーネットに分割する手法はほとんどない。本研究では,HEP-NASという階層分割アルゴリズムを導入し,精度の向上を図る。
論文参考訳（メタデータ） (2024-12-14T07:42:56Z)
A Pairwise Comparison Relation-assisted Multi-objective Evolutionary Neural Architecture Search Method with Multi-population Mechanism [58.855741970337675]
ニューラルアーキテクチャサーチ(NAS)により、リサーチ者は広大なサーチスペースを自動的に探索し、効率的なニューラルネットワークを見つけることができる。 NASは重要なボトルネックに悩まされており、探索プロセス中に多くのアーキテクチャを評価する必要がある。 SMEM-NASは,多集団構造に基づく多目的進化アルゴリズムである。
論文参考訳（メタデータ） (2024-07-22T12:46:22Z)
DCP-NAS: Discrepant Child-Parent Neural Architecture Search for 1-bit CNNs [53.82853297675979]
バイナリ重みとアクティベーションを備えた1ビット畳み込みニューラルネットワーク(CNN)は、リソース制限された組み込みデバイスの可能性を示している。自然なアプローチの1つは、NASの計算とメモリコストを削減するために1ビットCNNを使用することである。本稿では,1ビットCNNを効率的に探索するためにDCP-NAS(Disrepant Child-Parent Neural Architecture Search)を提案する。
論文参考訳（メタデータ） (2023-06-27T11:28:29Z)
You Only Search Once: On Lightweight Differentiable Architecture Search for Resource-Constrained Embedded Platforms [10.11289927237036]
微分可能なニューラルアーキテクチャサーチ(NAS)は、競合するディープニューラルネットワーク(DNN)を自動設計する最も有力な代替品として進化してきた。我々は、LightNASと呼ばれる軽量ハードウェア対応の差別化可能なNASフレームワークを導入し、ワンタイム検索によって必要なアーキテクチャを見つけ出そうとしている。従来の最先端技術よりもLightNASの方が優れていることを示すため,広範囲な実験を行った。
論文参考訳（メタデータ） (2022-08-30T02:23:23Z)
L$^{2}$NAS: Learning to Optimize Neural Architectures via Continuous-Action Reinforcement Learning [23.25155249879658]
微分可能なアーキテクチャサーチ(NAS)は、ディープニューラルネットワーク設計において顕著な結果を得た。 L$2$は,DART201ベンチマークやNASS,Imse-for-All検索ポリシで,最先端の結果が得られることを示す。
論文参考訳（メタデータ） (2021-09-25T19:26:30Z)
Prioritized Architecture Sampling with Monto-Carlo Tree Search [54.72096546595955]
ワンショットニューラルアーキテクチャサーチ(NAS)法は,検索空間全体を1つのネットワークとして考えることにより,検索コストを大幅に削減する。本稿では,モンテカルロ木(MCT)をモデルとした探索空間を用いたモンテカルロ木探索(MCTS)に基づくサンプリング戦略について紹介する。公平な比較のために、CIFAR-10で評価されたマクロ検索空間、すなわちNAS-Bench-MacroのオープンソースNASベンチマークを構築する。
論文参考訳（メタデータ） (2021-03-22T15:09:29Z)
Memory-Efficient Hierarchical Neural Architecture Search for Image Restoration [68.6505473346005]
メモリ効率の高い階層型NAS HiNAS(HiNAS)を提案する。単一の GTX1080Ti GPU では、BSD 500 でネットワークを消すのに約 1 時間、DIV2K で超解像構造を探すのに 3.5 時間しかかかりません。
論文参考訳（メタデータ） (2020-12-24T12:06:17Z)
Binarized Neural Architecture Search for Efficient Object Recognition [120.23378346337311]
バイナリ化されたニューラルネットワークサーチ(BNAS)は、エッジコンピューティング用の組み込みデバイスにおいて、膨大な計算コストを削減するために、極めて圧縮されたモデルを生成する。 9,6.53%対9,7.22%の精度はCIFAR-10データセットで達成されるが、かなり圧縮されたモデルで、最先端のPC-DARTSよりも40%速い検索が可能である。
論文参考訳（メタデータ） (2020-09-08T15:51:23Z)
Progressive Automatic Design of Search Space for One-Shot Neural Architecture Search [15.017964136568061]
単発モデルの精度が高いモデルでは,スタンドアローンの訓練では必ずしも優れた性能が得られない。 PAD-NASという検索空間のプログレッシブ自動設計を提案する。このようにして、PAD-NASは各レイヤの操作を自動的に設計し、検索空間の品質とモデルの多様性のトレードオフを達成できる。
論文参考訳（メタデータ） (2020-05-15T14:21:07Z)
DDPNAS: Efficient Neural Architecture Search via Dynamic Distribution Pruning [135.27931587381596]
DDPNASと呼ばれる効率よく統一されたNASフレームワークを提案する。検索空間は動的に切断され,その分布はいくつかのエポック毎に更新される。提案した効率的なネットワーク生成手法により,与えられた制約に対する最適なニューラルネットワークアーキテクチャを直接取得する。
論文参考訳（メタデータ） (2019-05-28T06:35:52Z)

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。