論文の概要: Trustworthy Tree-based Machine Learning by $MoS_2$ Flash-based Analog CAM with Inherent Soft Boundaries

• arxiv url: http://arxiv.org/abs/2507.12384v1
• Date: Wed, 16 Jul 2025 16:31:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 19:00:11.473093
• Title: Trustworthy Tree-based Machine Learning by $MoS_2$ Flash-based Analog CAM with Inherent Soft Boundaries
• Title（参考訳）: ソフト境界を持つFlashベースのアナログCAMによる高信頼ツリーベース機械学習
• Authors: Bo Wen, Guoyun Gao, Zhicheng Xu, Ruibin Mao, Xiaojuan Qi, X. Sharon Hu, Xunzhao Yin, Can Li,
• Abstract要約: ツリーベースのモデルは解釈可能性と精度が優れているが、それをスケールしても計算コストは高い。 アナログコンテンツアドレスメモリ(CAM)でこれらのモデルを高速化するためのこれまでの努力は難しかった。 この研究は、FlashベースのアナログCAMに固有のソフトバウンダリを持つ$MoS$を使って、ハードウェアとソフトウェアを共同設計する手法を提案する。
• 参考スコア（独自算出の注目度）: 40.76908914832641
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid advancement of artificial intelligence has raised concerns regarding its trustworthiness, especially in terms of interpretability and robustness. Tree-based models like Random Forest and XGBoost excel in interpretability and accuracy for tabular data, but scaling them remains computationally expensive due to poor data locality and high data dependence. Previous efforts to accelerate these models with analog content addressable memory (CAM) have struggled, due to the fact that the difficult-to-implement sharp decision boundaries are highly susceptible to device variations, which leads to poor hardware performance and vulnerability to adversarial attacks. This work presents a novel hardware-software co-design approach using $MoS_2$ Flash-based analog CAM with inherent soft boundaries, enabling efficient inference with soft tree-based models. Our soft tree model inference experiments on $MoS_2$ analog CAM arrays show this method achieves exceptional robustness against device variation and adversarial attacks while achieving state-of-the-art accuracy. Specifically, our fabricated analog CAM arrays achieve $96\%$ accuracy on Wisconsin Diagnostic Breast Cancer (WDBC) database, while maintaining decision explainability. Our experimentally calibrated model validated only a $0.6\%$ accuracy drop on the MNIST dataset under $10\%$ device threshold variation, compared to a $45.3\%$ drop for traditional decision trees. This work paves the way for specialized hardware that enhances AI's trustworthiness and efficiency.
• Abstract（参考訳）: 人工知能の急速な進歩は、その信頼性、特に解釈可能性と堅牢性に関する懸念を提起している。 Random ForestやXGBoostといったツリーベースのモデルは、表データの解釈性と正確性に優れていますが、データのローカリティが低かったり、データ依存度が高かったりするため、それらをスケールするのに計算コストがかかります。 これらのモデルをアナログコンテンツアドレスメモリ(CAM)で加速する以前の努力は、実装が難しい決定境界がデバイスのバリエーションに非常に影響を受けやすいため、ハードウェア性能が低下し、敵の攻撃に対する脆弱性が生じるため、難航している。 本研究は,ソフトツリーモデルによる効率的な推論を実現するために,FlashベースのアナログCAMを内在する$MoS_2を用いたハードウェア・ソフトウェア共同設計手法を提案する。 アナログCAMアレイを用いたソフトツリーモデル推論実験により,この手法は,最先端の精度を達成しつつ,装置の変動や敵攻撃に対して極めて頑健であることを示す。 具体的には,ウィスコンシン州診断乳癌 (WDBC) データベース上で, 意思決定性を維持しつつ, 96\%の精度でアナログCAMアレイを作製した。 実験によって校正されたモデルでは,MNISTデータセットの精度低下が0.6\%であったのに対して,従来の決定木では45.3\%であったのに対し,MNISTデータセットのしきい値変動は10.%であった。 この作業は、AIの信頼性と効率を高める特別なハードウェアの道を開く。

関連論文リスト

• Tiny Deep Ensemble: Uncertainty Estimation in Edge AI Accelerators via Ensembling Normalization Layers with Shared Weights [0.8233872344445676]
  AI駆動システムでは、不確実性推定により、ユーザーは過信予測を避け、機能的安全性を達成することができる。 エッジデバイスにおける不確実性推定のための低コストなアプローチであるTiny-Deep Ensembleアプローチを提案する。 提案手法は精度を損なわないが,予測精度は最大で$sim 1%$,RMSEは17.17%$である。
  論文  参考訳（メタデータ） (2024-05-07T22:54:17Z)
• Data-Free Hard-Label Robustness Stealing Attack [67.41281050467889]
  本稿では,Data-Free Hard-Label Robustness Stealing(DFHL-RS)攻撃について紹介する。 ターゲットモデルのハードラベルをクエリするだけで、モデル精度とロバスト性の両方を盗むことができる。 本手法は,AutoAttackに対して77.86%,頑健な39.51%の精度を実現する。
  論文  参考訳（メタデータ） (2023-12-10T16:14:02Z)
• Breaking Boundaries: Balancing Performance and Robustness in Deep Wireless Traffic Forecasting [11.029214459961114]
  正確性と堅牢性の間のトレードオフのバランスをとることは、時系列予測における長年の課題である。 本研究では,様々な摂動シナリオを考察し,実世界の通信データを用いた敵攻撃に対する防御機構を提案する。
  論文  参考訳（メタデータ） (2023-11-16T11:10:38Z)
• Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
  分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。 最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。 我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T04:34:54Z)
• Robust and Accurate -- Compositional Architectures for Randomized Smoothing [5.161531917413708]
  本稿では,保証付きスムーズな予測モデルを使用するか,保証なしのより正確な標準モデルを適用すべきかを,サンプル単位で確実に決定する合成アーキテクチャACESを提案する。 これは、従来のアプローチとは対照的に、高い標準精度と顕著な証明可能な堅牢性の両方を可能にする。
  論文  参考訳（メタデータ） (2022-04-01T14:46:25Z)
• Utilizing XAI technique to improve autoencoder based model for computer network anomaly detection with shapley additive explanation(SHAP) [0.0]
  機械学習(ML)とディープラーニング(DL)メソッドは、特にコンピュータネットワークセキュリティにおいて急速に採用されている。 MLとDLベースのモデルの透明性の欠如は、実装の大きな障害であり、ブラックボックスの性質から批判されている。 XAIは、これらのモデルの信頼性を向上させる上で、説明やアウトプットの解釈を通じて有望な分野である。
  論文  参考訳（メタデータ） (2021-12-14T09:42:04Z)
• Learnable Boundary Guided Adversarial Training [66.57846365425598]
  私たちは、あるクリーンモデルからのモデルロジットを使用して、別のロバストモデルの学習をガイドします。 我々は、CIFAR-100上で、追加の実データや合成データなしで、新しい最先端のロバスト性を実現する。
  論文  参考訳（メタデータ） (2020-11-23T01:36:05Z)
• Tessellated Wasserstein Auto-Encoders [5.9394103049943485]
  変分オートエンコーダ(VAE)やワッサースタインオートエンコーダ(WAE-MMD)、スライスワッサースタインオートエンコーダ(SWAE)などの非逆数生成モデルは、生成逆数ネットワーク(WAE-GAN)のワッサースタインオートエンコーダに比べて比較的訓練が容易で、モード崩壊が少ない。 我々は,Tessellated Wasserstein Auto-Encoders (TWAE) と呼ばれる新しいフレームワークを開発した。
  論文  参考訳（メタデータ） (2020-05-20T09:21:05Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)
• Triple Wins: Boosting Accuracy, Robustness and Efficiency Together by Enabling Input-Adaptive Inference [119.19779637025444]
  深層ネットワークは、(クリーンな自然画像の場合)正確さと(敵対的な摂動画像の場合)頑健さの相違に直面することを最近提案された。 本稿では,入力適応推論に関連するマルチエグジットネットワークについて検討し,モデル精度,ロバスト性,効率の最適化において「スイートポイント」を達成する上での強い期待を示す。
  論文  参考訳（メタデータ） (2020-02-24T00:40:22Z)

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。