論文の概要: PhD Thesis Summary: Methods for Reliability Assessment and Enhancement of Deep Neural Network Hardware Accelerators
- arxiv url: http://arxiv.org/abs/2603.08724v1
- Date: Tue, 17 Feb 2026 11:07:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-15 16:38:22.49661
- Title: PhD Thesis Summary: Methods for Reliability Assessment and Enhancement of Deep Neural Network Hardware Accelerators
- Title（参考訳）: PhD論文概要:ディープニューラルネットワークハードウェアアクセラレータの信頼性評価と強化のための方法
- Authors: Mahdi Taheri,
- Abstract要約: この写本は著作を要約し、博士論文の影響を展示している。
DNNハードウェアアクセラレータの信頼性を評価・向上するための,新しい,コスト効率の高い手法を導入している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This manuscript summarizes the work and showcases the impact of the doctoral thesis by introducing novel, cost-efficient methods for assessing and enhancing the reliability of DNN hardware accelerators. A comprehensive Systematic Literature Review (SLR) was conducted, categorizing existing reliability assessment techniques, identifying research gaps, and leading to the development of new analytical reliability assessment tools. Additionally, this work explores the interplay between reliability, quantization, and approximation, proposing methodologies that optimize the trade-offs between computational efficiency and fault tolerance. Furthermore, a real-time, zero-overhead reliability enhancement technique, AdAM, was developed, providing fault tolerance comparable to traditional redundancy methods while significantly reducing hardware costs. The impact of this research extends beyond academia, contributing to multiple funded projects, masters courses, industrial collaborations, and the development of new tools and methodologies for efficient and reliable DNN hardware accelerators.
- Abstract（参考訳）: 本論文は,DNNハードウェアアクセラレーションの信頼性を評価・向上するための,新規で費用効率のよい手法を導入することにより,博士論文の影響を概説する。
総合的な体系的文献レビュー(SLR)を行い、既存の信頼性評価手法を分類し、研究ギャップを特定し、新たな分析的信頼性評価ツールの開発に繋がった。
さらに、信頼性、量子化、近似の相互作用を探求し、計算効率と耐故障性の間のトレードオフを最適化する方法論を提案する。
さらに、ハードウェアコストを大幅に削減しつつ、従来の冗長性手法に匹敵するフォールトトレランスを提供するリアルタイムゼロオーバーヘッド信頼性向上技術であるAdAMを開発した。
この研究は学界を超えて、複数の資金提供プロジェクト、修士課程、工業協力、効率的で信頼性の高いDNNハードウェアアクセラレーターのための新しいツールと方法論の開発に貢献している。
関連論文リスト
- Ensemble Distribution Distillation for Self-Supervised Human Activity Recognition [13.389902854768906]
本稿では,HAR(Human Activity Recognition)のための自己教師型学習フレームワークにおける,EDD(Ensemble Distribution Distillation)の新たな応用について検討する。
ラベルのないデータと部分的に教師付きトレーニング戦略を利用することで,予測精度の向上,不確実性の評価,対向的摂動に対するロバスト性の向上を実現している。
論文 参考訳（メタデータ） (2025-09-10T01:55:20Z) - Causality-Driven Neural Network Repair: Challenges and Opportunities [5.69361786082969]
ディープニューラルネットワーク(DNN)はしばしば因果推論よりも統計的相関に頼り、その堅牢性と解釈可能性を制限する。
本稿では、主にDNN修復のためのアプローチとしての因果推論について検討し、因果デバッグと構造因果モデル(SCM)を用いて障害を特定し、修正する。
論文 参考訳（メタデータ） (2025-04-24T21:22:00Z) - Advancing Embodied Agent Security: From Safety Benchmarks to Input Moderation [52.83870601473094]
エンボディード・エージェントは、複数のドメインにまたがって大きな潜在能力を示す。
既存の研究は主に、一般的な大言語モデルのセキュリティに重点を置いている。
本稿では, エンボディエージェントの保護を目的とした新しい入力モデレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-22T08:34:35Z) - KRAIL: A Knowledge-Driven Framework for Base Human Reliability Analysis Integrating IDHEAS and Large Language Models [2.7378790256389047]
本稿では,IDHEASとLLM(KRAIL)を統合した知識駆動型信頼性分析のための新しい2段階フレームワークを提案する。
本稿では,自然言語処理における大規模言語モデル(LLM)の成功に触発されて,知識駆動型信頼性分析のための新しい2段階フレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-20T06:21:34Z) - Towards Certified Unlearning for Deep Neural Networks [50.816473152067104]
認定されていない未学習は、凸機械学習モデルで広く研究されている。
認定アンラーニングとディープニューラルネットワーク(DNN)のギャップを埋める手法をいくつか提案する。
論文 参考訳（メタデータ） (2024-08-01T21:22:10Z) - APPRAISER: DNN Fault Resilience Analysis Employing Approximation Errors [1.1091582432763736]
安全クリティカルなアプリケーションにおけるディープニューラルネットワーク(DNN)は、新たな信頼性の懸念を引き起こす。
エミュレーションによる断層注入の最先端手法は, 時間, 設計, 制御・複雑度の問題を引き起こす。
APPRAISERは、非伝統的な目的に関数近似を適用し、近似計算誤差を用いる。
論文 参考訳（メタデータ） (2023-05-31T10:53:46Z) - A Systematic Literature Review on Hardware Reliability Assessment
Methods for Deep Neural Networks [1.189955933770711]
ディープニューラルネットワーク(DNN)の信頼性は研究の必須課題である。
近年、DNNの信頼性を評価するためにいくつかの研究が公表されている。
本研究では,DNNの信頼性評価手法について,SLR(Systematic Literature Review)を実施している。
論文 参考訳（メタデータ） (2023-05-09T20:08:30Z) - Federated Learning with Unreliable Clients: Performance Analysis and
Mechanism Design [76.29738151117583]
Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。
しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。
クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
論文 参考訳（メタデータ） (2021-05-10T08:02:27Z)
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。