論文の概要: An Improved Template for Approximate Computing

• arxiv url: http://arxiv.org/abs/2509.06162v1
• Date: Sun, 07 Sep 2025 18:09:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.882293
• Title: An Improved Template for Approximate Computing
• Title（参考訳）: 近似コンピューティングのためのテンプレートの改良
• Authors: M. Rezaalipour, F. Costa, M. Biasion, R. Otoni, G. A. Constantinides, L. Pozzi,
• Abstract要約: ニューラルネットワークで使用される小算術演算子の面積を削減する手法を提案する。 我々は,同じ精度の損失w.r.tに対して,面積の削減を図っている。 合成領域に近接するプロキシとして機能するパラメトリブルな製品共有に基づく新しいテンプレートを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deploying neural networks on edge devices entails a careful balance between the energy required for inference and the accuracy of the resulting classification. One technique for navigating this tradeoff is approximate computing: the process of reducing energy consumption by slightly reducing the accuracy of arithmetic operators. In this context, we propose a methodology to reduce the area of the small arithmetic operators used in neural networks - i.e., adders and multipliers - via a small loss in accuracy, and show that we improve area savings for the same accuracy loss w.r.t. the state of the art. To achieve our goal, we improve on a boolean rewriting technique recently proposed, called XPAT, where the use of a parametrisable template to rewrite circuits has proved to be highly beneficial. In particular, XPAT was able to produce smaller circuits than comparable approaches while utilising a naive sum of products template structure. In this work, we show that template parameters can act as proxies for chosen metrics and we propose a novel template based on parametrisable product sharing that acts as a close proxy to synthesised area. We demonstrate experimentally that our methodology converges better to low-area solutions and that it can find better approximations than both the original XPAT and two other state-of-the-art approaches.
• Abstract（参考訳）: エッジデバイスにニューラルネットワークをデプロイするには、推論に必要なエネルギーと、その結果の分類の正確性との間に慎重にバランスを取る必要がある。 このトレードオフをナビゲートする1つの手法は近似計算であり、算術演算子の精度をわずかに下げることでエネルギー消費を減少させる過程である。 本稿では,ニューラルネットワークにおける小演算子(加算器や乗算器など)の面積を,精度の低下によって削減する手法を提案する。 この目的を達成するために、最近提案されたXPATと呼ばれるブール書き換え技術の改善を行い、回路の書き直しにパラメトリブルテンプレートを使うことは、非常に有益であることが判明した。 特にXPATは、製品テンプレート構造の単純な総和を利用して、同等のアプローチよりも小さな回路を生成することができた。 本研究では, テンプレートパラメータが選択した指標のプロキシとして機能することを示し, 合成領域に近接するプロキシとして機能するパラメトリブルな製品共有に基づく新しいテンプレートを提案する。 我々は,本手法が低しきい値解に収束し,従来のXPATと他の2つの最先端アプローチよりも優れた近似が得られることを実験的に実証した。

関連論文リスト

• Enabling Uncertainty Estimation in Iterative Neural Networks [49.56171792062104]
  本研究では,アンサンブルのような手法よりもはるかに低い計算コストで最先端の見積もりを提供する不確実性推定手法を開発する。 航空画像における道路検出と2次元および3次元形状の空力特性の推定という2つの応用領域に組み込むことで,その実用的価値を実証する。
  論文  参考訳（メタデータ） (2024-03-25T13:06:31Z)
• Adaptive operator learning for infinite-dimensional Bayesian inverse problems [7.716833952167609]
  本研究では,局所的に精度の高いサロゲートを強制することによって,モデリングエラーを段階的に低減できる適応型演算子学習フレームワークを開発した。 UKIフレームワークを用いて線形の場合において厳密な収束を保証する。 その結果,逆精度を維持しながら計算コストを大幅に削減できることがわかった。
  論文  参考訳（メタデータ） (2023-10-27T01:50:33Z)
• Fast Exploration of the Impact of Precision Reduction on Spiking Neural Networks [63.614519238823206]
  ターゲットハードウェアがコンピューティングの端に達すると、スパイキングニューラルネットワーク(SNN)が実用的な選択となる。 我々は、近似誤差を伝播するそのようなモデルの能力を生かした探索手法を開発するために、インターヴァル算術(IA)モデルを用いる。
  論文  参考訳（メタデータ） (2022-11-22T15:08:05Z)
• Follow Your Path: a Progressive Method for Knowledge Distillation [23.709919521355936]
  本稿では,教師モデルの指導信号を学生のパラメータ空間に投影することで,新しいモデルに依存しないProKTを提案する。 画像とテキストの双方で実験した結果,提案したProKTは既存の知識蒸留法と比較して常に優れた性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2021-07-20T07:44:33Z)
• Structured Sparsity Inducing Adaptive Optimizers for Deep Learning [94.23102887731417]
  本稿では、近位勾配法に必要な成分である重み付き近位作用素を導出する。 この適応法は, 重み付き近位演算子とともに, 空間パターンに構造をもつ解を求めることができることを示す。
  論文  参考訳（メタデータ） (2021-02-07T18:06:23Z)
• Tensor Networks contraction and the Belief Propagation algorithm [0.0]
  信念の伝播は、グラフィカルモデル上で動作するよく研究されたメッセージパッシングアルゴリズムである。 PEPSテンソルネットワークの世界にどのように適応できるかを示し、近似収縮スキームとして利用する。
  論文  参考訳（メタデータ） (2020-08-10T22:03:25Z)
• Variance Reduction with Sparse Gradients [82.41780420431205]
  SVRGやSpiderBoostのような分散還元法では、大きなバッチ勾配と小さなバッチ勾配が混在している。 我々は、新しい空間演算子:ランダムトップk演算子を導入する。 我々のアルゴリズムは、画像分類、自然言語処理、スパース行列分解など様々なタスクにおいて、一貫してSpiderBoostより優れています。
  論文  参考訳（メタデータ） (2020-01-27T08:23:58Z)

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。