論文の概要: Analog Optical Inference on Million-Record Mortgage Data

• arxiv url: http://arxiv.org/abs/2604.13251v1
• Date: Tue, 14 Apr 2026 19:29:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.271648
• Title: Analog Optical Inference on Million-Record Mortgage Data
• Title（参考訳）: 百万回の運動量データに基づくアナログ光推定
• Authors: Sofia Berloff, Pavel Koptev, Konstantin Malkov,
• Abstract要約: アナログ光コンピュータ(AOC)デジタルツインを米国HMDA記録5.84万件の住宅ローン認可分類でベンチマークした。 19のオリジナルの特徴では、AOCは5,126のパラメータ(1,024光)で94.6%の精度に達し、XGBoostは97.9%であった。 すべてのモデルを共有127ビットのバイナリエンコーディングに制限することで、すべてのモデルを89.4--89.6%に下げることができ、エンコーディングコストはデジタルモデルでは8pp、AOCでは5ppとなる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analog optical computers promise large efficiency gains for machine learning inference, yet no demonstration has moved beyond small-scale image benchmarks. We benchmark the analog optical computer (AOC) digital twin on mortgage approval classification from 5.84 million U.S. HMDA records and separate three sources of accuracy loss. On the original 19 features, the AOC reaches 94.6% balanced accuracy with 5,126 parameters (1,024 optical), compared with 97.9% for XGBoost; the 3.3 percentage-point gap narrows by only 0.5pp when the optical core is widened from 16 to 48 channels, suggesting an architectural rather than hardware limitation. Restricting all models to a shared 127-bit binary encoding drops every model to 89.4--89.6%, with an encoding cost of 8pp for digital models and 5pp for the AOC. Seven calibrated hardware non-idealities impose no measurable penalty. The three resulting layers of limitation (encoding, architecture, hardware fidelity) locate where accuracy is lost and what to improve next.
• Abstract（参考訳）: アナログ光学コンピュータは機械学習の推論において大きな効率向上を約束するが、小規模な画像ベンチマークを超えてデモは行われていない。 アナログ光コンピュータ(AOC)デジタルツインを米国HMDA記録5.84万件の住宅ローン認可分類でベンチマークし、精度損失の3つの源を分離した。 19のオリジナルの特徴では、AOCは5,126パラメータ(1,024光)で94.6%の精度に達し、XGBoostは97.9%、光学コアが16チャンネルから48チャンネルに拡張された場合、3.3パーセンテージのギャップは0.5pp縮小した。 すべてのモデルを共有127ビットのバイナリエンコーディングに制限することで、すべてのモデルを89.4--89.6%に下げることができ、エンコーディングコストはデジタルモデルでは8pp、AOCでは5ppとなる。 7つの校正されたハードウェア非イデアルは、測定可能なペナルティを課さない。 結果として生じる3つの制限層(エンコーディング、アーキテクチャ、ハードウェアの忠実度)は、正確さが失われ、次に何を改善するかを特定する。

関連論文リスト

• Scaling DoRA: High-Rank Adaptation via Factored Norms and Fused Kernels [83.99688944263843]
  DoRA(Weight-De Low-Rank Adaptation)は、LoRAを方向から分離することで拡張する。 d_in = 8192 とランク r = 384 では、単一のモジュールのノルムは bf16 で512MB の過渡的なワーキングメモリを必要とする。 因子ノルムは、二乗ノルムを O(d_out r + r2) 中間体を通して計算可能な基底、交差、およびグラマー項に分解し、密積を除去する。
  論文  参考訳（メタデータ） (2026-03-23T17:57:24Z)
• DS-CIM: Digital Stochastic Computing-In-Memory Featuring Accurate OR-Accumulation via Sample Region Remapping for Edge AI Models [8.92683306412944]
  本稿では,高い精度と効率を実現するデジタルCIM(DS-CIM)アーキテクチャを提案する。 データ表現を変更することで、コンパクトで符号のないORベースの回路に乗算累積(MAC)を実装する。 我々のコア戦略である2Dの共有ランダム数生成器(PRNG)は、単一サイクルの排他的アクティベーションによりORゲート衝突を排除します。
  論文  参考訳（メタデータ） (2026-01-10T23:56:33Z)
• Beam search decoder for quantum LDPC codes [5.3044526424637874]
  信念伝播(BP)によるビーム探索に基づく量子低密度パリティチェック(LDPC)符号の復号器を提案する。 我々のビームサーチデコーダは、全ての量子LDPC符号に適用され、ビーム幅などのパラメータを調整することで、異なる速度精度のトレードオフを実現する。 注目すべきは、これは、並列化や特別なハードウェア(FPGA、ASIC)を使わずに、単一のコア上のソフトウェアで実現されることである。
  論文  参考訳（メタデータ） (2025-12-08T00:16:57Z)
• Time-Series at the Edge: Tiny Separable CNNs for Wearable Gait Detection and Optimal Sensor Placement [3.7765281299298015]
  我々は,3軸加速度の短い窓から発生するパーキンソン病(PD)の歩行検出のためのデバイス上での時系列解析について検討した。 1つの文献ベースライン(分離可能な畳み込み)と2つのウルトラライトモデル(純粋に分離可能なもの)である。
  論文  参考訳（メタデータ） (2025-11-29T08:52:41Z)
• 70% Size, 100% Accuracy: Lossless LLM Compression for Efficient GPU Inference via Dynamic-Length Float [52.079202872069835]
  大規模言語モデル(LLM)や拡散モデル(DM)といった大規模AIモデルは急速に成長している。 圧縮フレームワークであるDynamic-Length Float (DFloat11) を導入し, LLM と DM サイズを30%削減した。
  論文  参考訳（メタデータ） (2025-04-15T22:38:38Z)
• Diversity Methods for Improving Convergence and Accuracy of Quantum Error Correction Decoders Through Hardware Emulation [0.46873264197900916]
  本稿では,ソフトウェアモデルの代わりに実際のハードウェアを用いて,量子誤り訂正デコーダの評価を行うハードウェアエミュレータを提案する。 エミュレータは、150MHzで動作する1つのFPGAデバイスで、20日で1013ドルの異なるエラーパターンを探索することができる。 Intel Core i9に128GBのRAMを搭載した最適化されたC++ソフトウェアは、同様の結果を得るのに1年以上かかる。
  論文  参考訳（メタデータ） (2025-04-01T20:04:27Z)
• The case for 4-bit precision: k-bit Inference Scaling Laws [75.4335600212427]
  量子化法は、モデル内の各パラメータを表すために必要なビット数を減少させる。 最終的なモデルサイズは、元のモデルのパラメータの数と圧縮率の両方に依存する。 我々は16ビットの入力とkビットのパラメータを持つ35,000以上のゼロショット実験を行い、どの量子化手法が3ビットから8ビットの精度でスケーリングを改善するかを検証した。
  論文  参考訳（メタデータ） (2022-12-19T18:48:33Z)
• Single-Shot Optical Neural Network [55.41644538483948]
  深層ニューラルネットワークに必要な計算資源を削減するために,「重定常」アナログ光学・電子ハードウェアが提案されている。 我々は、スケーラブルで1層当たり単発の重み付き光学プロセッサを提案する。
  論文  参考訳（メタデータ） (2022-05-18T17:49:49Z)
• Combined Scaling for Zero-shot Transfer Learning [146.0851484769142]
  我々は,ImageNet ILSVRC-2012バリデーションセットにおいて,85.7%のトップ1の精度を達成できるBASICと組み合わせたスケーリング手法を提案する。 この精度はCLIPとALIGNの9.3%を超える。 我々のモデルは、ロバストネスベンチマークの大幅な改善も示しています。
  論文  参考訳（メタデータ） (2021-11-19T05:25:46Z)

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。