論文の概要: Integer-Only Operations on Extreme Learning Machine Test Time Classification
- arxiv url: http://arxiv.org/abs/2604.04363v1
- Date: Mon, 06 Apr 2026 02:23:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:19.065033
- Title: Integer-Only Operations on Extreme Learning Machine Test Time Classification
- Title（参考訳）: 極端学習機械テストタイム分類における整数オンリー操作
- Authors: Emerson Lopes Machadoa, Cristiano Jacques Miosso, Ricardo Pezzuol Jacobi,
- Abstract要約: テスト時の分類は, 分類精度を損なうことなく, 整数演算のみを用いて行うことができることを示す。
これは、電力消費が限られている組み込みアプリケーションでは重要であり、大企業のデータセンターでは重要である。
- 参考スコア（独自算出の注目度）: 1.111322427650556
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a theoretical analysis and empirical evaluations of a novel set of techniques for computational cost reduction of test time operations of network classifiers based on extreme learning machine (ELM). By exploring some characteristics we derived from these models, we show that the classification at test time can be performed using solely integer operations without compromising the classification accuracy. Our contributions are as follows: (i) We show empirical evidence that the input weights values can be drawn from the ternary set with limited reduction of the classification accuracy. This has the computational advantage of dismissing multiplications; (ii) We prove the classification accuracy of normalized and non-normalized test signals are the same; (iii) We show how to create an integer version of the output weights that results in a limited reduction of the classification accuracy. We tested our techniques on 5 computer vision datasets commonly used in the literature and the results indicate that our techniques can allow the reduction of the computational cost of the operations necessary for the classification at test time in FPGAs. This is important in embedded applications, where power consumption is limited, and crucial in data centers of large corporations, where power consumption is expensive.
- Abstract（参考訳）: 極学習機械(ELM)に基づくネットワーク分類器のテスト時間演算の計算コスト削減のための新しい手法の理論的解析と実証評価を行った。
これらのモデルから得られたいくつかの特徴を探索することにより、テスト時の分類は、分類精度を損なうことなく、整数演算のみを用いて実行可能であることを示す。
私たちの貢献は以下の通りです。
i) 入力重み値が3次集合から抽出され, 分類精度が低下したことを示す実証的証拠を示す。
これは乗法を外すという計算上の利点がある。
二 正規化及び非正規化試験信号の分類精度が同一であることを証明する。
(iii)出力重みの整数バージョンを作成する方法を示す。
文献でよく用いられる5つのコンピュータビジョンデータセットを用いて本手法を検証した結果,FPGAにおけるテスト時の分類に必要な演算の計算コストを削減できることが示唆された。
これは、電力消費が限られている組み込みアプリケーションにおいて重要であり、電力消費が高価である大企業のデータセンターにおいて重要である。
関連論文リスト
- Computationally lightweight classifiers with frequentist bounds on predictions [3.0469120687321882]
そこで我々は,Nadaraya-Watson推定器に基づく,計算効率の良い新しい分類アルゴリズムを提案する。
本手法は,$mathcal O(n)$と$mathcal O(log n)$演算において,競争精度が$>SI96percentに達することを示す。
これらの境界は、例えば、低信頼の予測をフラグする助けとなり、リソース制約のあるリアルタイム設定に適合する。
論文 参考訳（メタデータ） (2026-03-23T15:54:25Z) - Learning-Augmented Moment Estimation on Time-Decay Models [55.06256430461023]
私たちは、多くの基本的な問題に対して学習強化アルゴリズムを提供するために、データセットのヘビーヒッターにオラクルを使用します。
提案手法は,実データおよび合成データセット上でのアルゴリズムの実用的効率を実証する実験的な評価によって理論的結果を補完するものである。
論文 参考訳（メタデータ） (2026-03-03T00:42:34Z) - Post-Training Quantization of Generative and Discriminative LSTM Text Classifiers: A Study of Calibration, Class Balance, and Robustness [0.0]
生成的・識別的長短記憶(LSTM)に基づくテキスト分類モデルとポストトレーニング量子化(PTQ)の比較
識別型分類器は頑健なままであるが、生成型分類器はビット幅、PTQで使用されるキャリブレーションデータ、量子化推論時の入力ノイズに敏感である。
論文 参考訳（メタデータ） (2025-07-13T15:48:16Z) - Weak Supervision Performance Evaluation via Partial Identification [46.73061437177238]
Programmatic Weak Supervision (PWS) は、地上の真理ラベルに直接アクセスすることなく、教師付きモデルトレーニングを可能にする。
本稿では,モデル評価を部分的同定問題としてフレーミングすることで,この問題に対処する新しい手法を提案する。
提案手法は,従来の弱監督評価手法において,ラベル付きデータを必要とせず,重要な指標に信頼性のあるバウンダリを導出する。
論文 参考訳（メタデータ） (2023-12-07T07:15:11Z) - Machine Learning Capability: A standardized metric using case difficulty
with applications to individualized deployment of supervised machine learning [2.2060666847121864]
モデル評価は教師付き機械学習分類解析において重要な要素である。
アイテム応答理論(IRT)と機械学習を用いたコンピュータ適応テスト(CAT)は、最終分類結果とは無関係にデータセットをベンチマークすることができる。
論文 参考訳（メタデータ） (2023-02-09T00:38:42Z) - Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。
表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
論文 参考訳（メタデータ） (2022-06-16T11:44:11Z) - Principal Component Analysis based frameworks for efficient missing data
imputation algorithms [3.635056427544418]
そこで本研究では,PCAI(Principal Component Analysis Imputation)を提案する。
次に,PCAI の分類問題への応用である PCA Imputation - Classification (PIC) を紹介する。
そこで我々は,PCAI と PIC が様々な計算アルゴリズムで動作可能であることを示す。
論文 参考訳（メタデータ） (2022-05-30T14:47:27Z) - Generalized Learning Vector Quantization for Classification in
Randomized Neural Networks and Hyperdimensional Computing [4.4886210896619945]
本稿では,トレーニング中の計算コストの高い行列操作を回避する改良型RVFLネットワークを提案する。
提案手法は,UCI Machine Learning Repositoryから取得したデータセットの集合に対して,最先端の精度を達成した。
論文 参考訳（メタデータ） (2021-06-17T21:17:17Z) - Theoretical Insights Into Multiclass Classification: A High-dimensional
Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。
分析の結果,分類精度は分布に依存していることがわかった。
得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文 参考訳（メタデータ） (2020-11-16T05:17:29Z) - On Coresets for Support Vector Machines [61.928187390362176]
coresetは、元のデータポイントの小さな、代表的なサブセットである。
我々は,本アルゴリズムを用いて,既製のSVMソルバをストリーミング,分散,動的データ設定に適用可能であることを示す。
論文 参考訳（メタデータ） (2020-02-15T23:25:12Z) - Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。
任意の関数に対するランダム化スムージングの統一的なビューを示す。
本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
論文 参考訳（メタデータ） (2020-02-07T21:28:30Z)
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。