論文の概要: A Unified Memory Perspective for Probabilistic Trustworthy AI
- arxiv url: http://arxiv.org/abs/2603.25692v1
- Date: Thu, 26 Mar 2026 17:40:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-27 20:52:48.407286
- Title: A Unified Memory Perspective for Probabilistic Trustworthy AI
- Title（参考訳）: 確率論的信頼できるAIのための統一メモリ・パースペクティブ
- Authors: Xueji Zhao, Likai Pei, Jianbo Liu, Kai Ni, Ningyuan Cao,
- Abstract要約: 信頼できる人工知能は、堅牢性、解釈可能性、セキュリティ、プライバシーを達成するために確率計算にますます依存している。
実際のシステムでは、そのようなワークロードは決定論的データアクセスを、モデル、データパス、システム機能間で繰り返しサンプリングすることでインターリーブする。
本稿では,データ・アクセス・パースペクティブを統一し,決定論的アクセスをサンプリングの制限事例として扱い,両方のモードを共通のフレームワーク内で解析できるようにする。
- 参考スコア（独自算出の注目度）: 7.564127817989082
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trustworthy artificial intelligence increasingly relies on probabilistic computation to achieve robustness, interpretability, security and privacy. In practical systems, such workloads interleave deterministic data access with repeated stochastic sampling across models, data paths and system functions, shifting performance bottlenecks from arithmetic units to memory systems that must deliver both data and randomness. Here we present a unified data-access perspective in which deterministic access is treated as a limiting case of stochastic sampling, enabling both modes to be analyzed within a common framework. This view reveals that increasing stochastic demand reduces effective data-access efficiency and can drive systems into entropy-limited operation. Based on this insight, we define memory-level evaluation criteria, including unified operation, distribution programmability, efficiency, robustness to hardware non-idealities and parallel compatibility. Using these criteria, we analyze limitations of conventional architectures and examine emerging probabilistic compute-in-memory approaches that integrate sampling with memory access, outlining pathways toward scalable hardware for trustworthy AI.
- Abstract（参考訳）: 信頼できる人工知能は、堅牢性、解釈可能性、セキュリティ、プライバシーを達成するために確率計算にますます依存している。
実用的なシステムでは、そのようなワークロードは、モデル、データパス、システム機能にまたがる繰り返し確率的なサンプリングによって決定論的データアクセスをインターリーブし、パフォーマンスボトルネックを演算ユニットからデータとランダム性の両方を提供する必要があるメモリシステムにシフトさせる。
本稿では、統計的サンプリングの制限事例として決定論的アクセスを扱い、共通のフレームワーク内で両方のモードを解析できる統一データアクセス・パースペクティブを提案する。
この見方は、確率的需要の増加が効率的なデータアクセス効率を低下させ、システムをエントロピーに制限された動作に導くことを明らかにしている。
この知見に基づき、メモリレベルの評価基準を定義し、統一操作、分散プログラム可能性、効率性、ハードウェアの非理想性に対する堅牢性、並列互換性などを定義した。
これらの基準を用いて、従来のアーキテクチャの制約を分析し、サンプリングとメモリアクセスを統合し、信頼できるAIのためのスケーラブルなハードウェアへの経路を概説する、新しい確率的計算-イン-メモリアプローチを検討する。
関連論文リスト
- AMemGym: Interactive Memory Benchmarking for Assistants in Long-Horizon Conversations [61.6579785305668]
AMemGymは、メモリ駆動型パーソナライゼーションのためのオンライン評価と最適化を可能にする対話型環境である。
我々のフレームワークは、対話エージェントのメモリ能力を向上するためのスケーラブルで診断に富んだ環境を提供する。
論文 参考訳（メタデータ） (2026-03-02T15:15:11Z) - Reliability-Aware Determinantal Point Processes for Robust Informative Data Selection in Large Language Models [6.463509584149428]
本稿では,確率的データアクセスを考慮した信頼性を考慮したk-DPPの実装であるProbDPPを紹介する。
我々は、この信頼性を考慮した多様性を半帯域問題とみなし、オンライン上で未知の信頼性を効率的に学習するためのUPBスタイルのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-01-31T20:14:33Z) - Online identification of nonlinear time-varying systems with uncertain information [7.071760583269057]
デジタルツイン(DT)は、複雑なサイバー物理システムのリアルタイム監視と予測保守のためのコアイネーブラーとして機能する。
既存の技術はこれらの要求を同時に満たすのに苦労している。
本稿では,ベイズ回帰に基づくシンボリックラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-15T13:33:48Z) - A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳（メタデータ） (2024-12-11T22:12:21Z) - pEBR: A Probabilistic Approach to Embedding Based Retrieval [9.186585413958769]
埋め込みベースの検索は、クエリとアイテムの両方の共有セマンティック表現空間を学習することを目的としている。
我々は,textbfprobabilistic textbfEmbedding-textbfBased textbfRetrieval (textbfpEBR) フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-25T07:14:12Z) - Scope Compliance Uncertainty Estimate [0.4262974002462632]
SafeMLはそのような監視を行うためのモデルに依存しないアプローチである。
この研究は、二項決定を連続計量に変換することによってこれらの制限に対処する。
論文 参考訳（メタデータ） (2023-12-17T19:44:20Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳（メタデータ） (2023-10-17T01:05:28Z) - Data-Driven Reachability Analysis of Stochastic Dynamical Systems with
Conformal Inference [1.446438366123305]
共形推論を用いた離散時間力学系のデータ駆動型到達可能性解析について考察する。
複雑な閉ループ力学を持つ学習可能な制御系に着目する。
論文 参考訳（メタデータ） (2023-09-17T07:23:01Z) - Energy-efficient Task Adaptation for NLP Edge Inference Leveraging
Heterogeneous Memory Architectures [68.91874045918112]
Adapter-ALBERTは、様々なタスクにわたる最大データ再利用のための効率的なモデル最適化である。
検証されたNLPエッジアクセラレータ上でシミュレーションを行うことにより、モデルを不均一なオンチップメモリアーキテクチャにマッピングする利点を実証する。
論文 参考訳（メタデータ） (2023-03-25T14:40:59Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z)
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。