論文の概要: MUC-G4: Minimal Unsat Core-Guided Incremental Verification for Deep Neural Network Compression

• arxiv url: http://arxiv.org/abs/2506.04268v1
• Date: Tue, 03 Jun 2025 12:42:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.316014
• Title: MUC-G4: Minimal Unsat Core-Guided Incremental Verification for Deep Neural Network Compression
• Title（参考訳）: MUC-G4: ディープニューラルネットワーク圧縮のための最小アンサットコアガイドインクリメンタル検証
• Authors: Jingyang Li, Guoqiang Li,
• Abstract要約: MUC-G4は、圧縮されたディープニューラルネットワークのインクリメンタル検証のための新しいフレームワークである。 オリジナルのネットワークと圧縮されたネットワークをSMTの公式にエンコードし、変更を分類し、オリジナルのネットワークからEmphMinimal Unsat Cores(MUC)を使用して、圧縮されたネットワークの効率的な検証を導く。
• 参考スコア（独自算出の注目度）: 7.9569432009714145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid development of deep learning has led to challenges in deploying neural networks on edge devices, mainly due to their high memory and runtime complexity. Network compression techniques, such as quantization and pruning, aim to reduce this complexity while maintaining accuracy. However, existing incremental verification methods often focus only on quantization and struggle with structural changes. This paper presents MUC-G4 (Minimal Unsat Core-Guided Incremental Verification), a novel framework for incremental verification of compressed deep neural networks. It encodes both the original and compressed networks into SMT formulas, classifies changes, and use \emph{Minimal Unsat Cores (MUCs)} from the original network to guide efficient verification for the compressed network. Experimental results show its effectiveness in handling quantization and pruning, with high proof reuse rates and significant speedup in verification time compared to traditional methods. MUC-G4 hence offers a promising solution for ensuring the safety and reliability of compressed neural networks in practical applications.
• Abstract（参考訳）: ディープラーニングの急速な開発は、ニューラルネットワークをエッジデバイスにデプロイする際の課題につながった。 量子化やプルーニングなどのネットワーク圧縮技術は、精度を維持しながら、この複雑さを減らすことを目的としている。 しかし、既存のインクリメンタル検証手法は、量子化と構造変化との闘いにのみ焦点をあてることが多い。 本稿では,圧縮深部ニューラルネットワークのインクリメンタル検証のための新しいフレームワークであるMUC-G4(Minimal Unsat Core-Guided Incremental Verification)を提案する。 元のネットワークと圧縮されたネットワークをSMTの公式にエンコードし、変更を分類し、元のネットワークから 'emph{Minimal Unsat Cores (MUCs) を使用して、圧縮されたネットワークの効率的な検証を導く。 実験結果から, 量子化とプルーニングの処理において, 証明再利用率が高く, 従来の手法と比較して検証時間の大幅な高速化が図られた。 したがって、MUC-G4は、実用的な応用における圧縮ニューラルネットワークの安全性と信頼性を保証するための有望なソリューションを提供する。

関連論文リスト

• Reducing Storage of Pretrained Neural Networks by Rate-Constrained Quantization and Entropy Coding [56.066799081747845]
  成長を続けるニューラルネットワークのサイズは、リソースに制約のあるデバイスに深刻な課題をもたらす。 本稿では,レートアウェア量子化とエントロピー符号化を組み合わせた学習後圧縮フレームワークを提案する。 この方法では非常に高速な復号化が可能であり、任意の量子化グリッドと互換性がある。
  論文  参考訳（メタデータ） (2025-05-24T15:52:49Z)
• Automatic Network Adaptation for Ultra-Low Uniform-Precision Quantization [6.1664476076961146]
  一様精度ニューラルネットワーク量子化は、高計算能力のために高密度に充填された演算ユニットを単純化したため、人気を集めている。 層間の量子化誤差の影響に対して不均一な感度を無視し、結果として準最適推論をもたらす。 本研究は,超低精度量子化による精度劣化を軽減するために,ニューラルネットワーク構造を調整するニューラルチャネル拡張と呼ばれる新しいニューラルアーキテクチャ探索を提案する。
  論文  参考訳（メタデータ） (2022-12-21T09:41:25Z)
• Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
  我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。 近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。 本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
  論文  参考訳（メタデータ） (2022-11-29T13:32:38Z)
• CEG4N: Counter-Example Guided Neural Network Quantization Refinement [2.722899166098862]
  我々は,カウンタ・サンプル・ガイド付きニューラルネットワーク量子化リファインメント(CEG4N)を提案する。 この手法は探索に基づく量子化と等価検証を組み合わせたものである。 最先端技術よりも最大72%精度のモデルを作成します。
  論文  参考訳（メタデータ） (2022-07-09T09:25:45Z)
• ZippyPoint: Fast Interest Point Detection, Description, and Matching through Mixed Precision Discretization [71.91942002659795]
  我々は,ネットワーク量子化技術を用いて推論を高速化し,計算限定プラットフォームでの利用を可能にする。 バイナリディスクリプタを用いた効率的な量子化ネットワークZippyPointは,ネットワーク実行速度,ディスクリプタマッチング速度,3Dモデルサイズを改善する。 これらの改善は、ホモグラフィー推定、視覚的ローカライゼーション、マップフリーな視覚的再ローカライゼーションのタスクで評価されるように、小さなパフォーマンス劣化をもたらす。
  論文  参考訳（メタデータ） (2022-03-07T18:59:03Z)
• Compact representations of convolutional neural networks via weight pruning and quantization [63.417651529192014]
  本稿では、音源符号化に基づく畳み込みニューラルネットワーク(CNN)の新しいストレージフォーマットを提案し、重み付けと量子化の両方を活用する。 我々は、全接続層で0.6%、ネットワーク全体で5.44%のスペース占有率を削減し、最低でもベースラインと同じくらいの競争力を発揮する。
  論文  参考訳（メタデータ） (2021-08-28T20:39:54Z)
• Scalable Verification of Quantized Neural Networks (Technical Report) [14.04927063847749]
  ビットベクトル仕様を持つ量子化ニューラルネットワークのビットエクササイズ実装はPSPACEハードであることを示す。 量子化されたニューラルネットワークのSMTに基づく検証をよりスケーラブルにするための3つの手法を提案する。
  論文  参考訳（メタデータ） (2020-12-15T10:05:37Z)
• Finite Versus Infinite Neural Networks: an Empirical Study [69.07049353209463]
  カーネルメソッドは、完全に接続された有限幅ネットワークより優れている。 中心とアンサンブルの有限ネットワークは後続のばらつきを減らした。 重みの減衰と大きな学習率の使用は、有限ネットワークと無限ネットワークの対応を破る。
  論文  参考訳（メタデータ） (2020-07-31T01:57:47Z)
• Efficient Integer-Arithmetic-Only Convolutional Neural Networks [87.01739569518513]
  我々は従来のReLUを境界ReLUに置き換え、その減少は活性化量子化によるものであることを示す。 我々の整数ネットワークは、対応するFPNネットワークと同等の性能を発揮するが、メモリコストは1/4に過ぎず、最新のGPUでは2倍高速である。
  論文  参考訳（メタデータ） (2020-06-21T08:23:03Z)

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。