論文の概要: FLARE: One-Shot PE-Level Fault Localization in Systolic Arrays via Algebraic Test Vectors

• arxiv url: http://arxiv.org/abs/2605.08594v1
• Date: Sat, 09 May 2026 01:22:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.76422
• Title: FLARE: One-Shot PE-Level Fault Localization in Systolic Arrays via Algebraic Test Vectors
• Title（参考訳）: FLARE: 代数的試験ベクトルによるシストリックアレイのワンショットPEレベル断層定位
• Abstract要約: シストリックアレイは、ニューラルネットワーク推論において支配的な計算ファブリックである。 以前の作業では、均一なテストパターンでカラムレベルの障害検出を効率的に処理していた。 しかし、故障列内の行レベルの障害局所化は、ハードウェアの冗長性に頼らずに未解決のままである。
• 参考スコア（独自算出の注目度）: 1.2202677752692377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Systolic arrays are the dominant compute fabric for neural network inference. Prior work has addressed column-level fault detection efficiently with uniform test patterns, but row-level (PE-level) fault localization within a faulty column remains open without resorting to hardware redundancy. The fundamental obstacle is that uniform test inputs destroy per-row signatures: any test that activates every row equally cannot distinguish which row is the source of an observed deviation. In this paper, we propose a lightweight, purely algorithmic remedy based on coprime test vectors. By assigning pairwise coprime integers as test-input entries, a permanent weight-register fault produces a deviation whose divisibility signature uniquely identifies the faulty row. Under a general bounded error model, a single test pass localizes the faulty row with high probability. This error model covers a broader class of faults than what prior dataflow-aware testing work has primarily emphasized. When one round is insufficient, a second pass using a ratio computation achieves exact localization; for the special case of single-bit errors, odd coprime entries guarantee exact localization in one round. For INT16 arithmetic, a single test pass covers array sizes up to $256{\times}256$ with localization probability above $0.98$, at a test cost under $1\%$ of one inference GEMM tile.
• Abstract（参考訳）: シストリックアレイは、ニューラルネットワーク推論において支配的な計算ファブリックである。 従来, カラムレベルの故障検出を均一なテストパターンで効率的に処理してきたが, ハードウェアの冗長性に頼らずに, 故障列内の行レベル(PEレベル)故障の局所化は未解決のままであった。 基本的な障害は、均一なテスト入力がロー毎のシグネチャを破壊することである。すべての行を同じように活性化するテストは、どの行が観測された偏差の源であるかを区別できない。 本稿では,並列テストベクトルに基づく軽量で純粋にアルゴリズム的な治療法を提案する。 ペアワイズ並列整数をテスト入力エントリとして割り当てることにより、恒久的な重み登録故障は、可視性符号が障害行をユニークに識別する偏差を生成する。 一般的な有界誤差モデルの下では、単一のテストパスが失敗行を高い確率でローカライズする。 このエラーモデルは、以前のデータフロー対応テスト作業が主に強調したものよりも幅広いレベルの障害をカバーしています。 1ラウンドが不十分な場合、比演算を用いた第2パスは正確なローカライゼーションを達成する。 INT16算術では、1つのテストパスが最大256{\times}256$までの配列サイズをカバーする。

関連論文リスト

• Differentiable Interval Bottlenecks for Interpretable Anomaly Detection in Numerical Data [0.5213778368155993]
  DIFFINTは、遅延ボトルネックがソフトな軸方向のインターバルメンバシップのセットとして構成されるオートエンコーダである。 統計的にタイトされた7つの方法のリードクラスターの中で唯一の解釈可能な検出器である。
  論文  参考訳（メタデータ） (2026-09-03T14:05:27Z)
• EDGE: a closed-form directed test for the calibration of probabilistic binary classifiers [0.0]
  本稿では,正規確率分類器の校正テストであるEDGEを提案し,ロジスティック回帰法を提案する。 EDGEは、同一のビン付き予測観測テーブルを信頼性図のプロットとして読み出し、その標準化されたビン残差をスムーズなキャリブレーション歪みの小さな前提に投影する。 リンクと特徴の相違により、既定のデフォルトが22のシナリオのうち、19のシナリオで全ての競合するビン付きテストに導かれるか、あるいは結び付けられ、再適合ベースのStukelスコアテストが20%から28%のサンプルで分離される場合、計算可能のままであった。
  論文  参考訳（メタデータ） (2026-08-20T19:06:05Z)
• Faithfulness to Refusal: A Causal Audit of Neuron Selectors [3.3598755777055374]
  属性スコアは、プルーニング、解釈可能性、安全のための編集など、言語モデルのどのニューロン行が重要かを、ますます特定する。 1ショットのニューロンローゼロリングをベースとした2つのペア監査でこの問題に対処する。
  論文  参考訳（メタデータ） (2026-07-06T17:33:36Z)
• Testable Learning of General Halfspaces under Massart Noise [40.15176310729312]
  ガウス分布の下で一般マスアート半空間を実証的に学習するアルゴリズム的タスクについて検討する。 テスト可能な学習環境では、以下の特性を満たすテスター-ラーナーペアの設計が目的である。 我々の主な成果は、Massartノイズと限界を持つ一般半空間に対する最初のテスト可能な学習アルゴリズムである。
  論文  参考訳（メタデータ） (2026-02-25T18:30:10Z)
• How Many Code and Test Cases Are Enough? Evaluating Test Cases Generation from a Binary-Matrix Perspective [51.30005925128432]
  LLM(Large Language Models)が自動生成するテストケースの評価は、非常に難しい作業です。 既存のベンチマークは高い計算コスト、インフレーションのスコア、稀でクリティカルな欠陥に対する自明なバグに対するバイアスに悩まされている。 本稿では,ベンチマーク構築をバイナリコードテスト行列の最適な診断基準として定式化するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-09T18:29:24Z)
• CFaults: Model-Based Diagnosis for Fault Localization in C Programs with Multiple Test Cases [2.8853600644505266]
  本稿では,複数の障害を持つCプログラムに対して,新しい障害局所化手法を提案する。 CFaultsは、複数の観察でモデルベース診断(MBD)を活用し、失敗したすべてのテストケースを統一されたMaxSAT公式に集約する。 C プログラムのベンチマークセット TCAS と C-Pack-IPAs の実験結果から,CFaults は他の FBFL の手法よりも高速であることがわかった。
  論文  参考訳（メタデータ） (2024-07-12T15:14:49Z)
• Towards Optimal Statistical Watermarking [95.46650092476372]
  仮説テスト問題として定式化して統計的透かしを研究する。 我々の定式化の鍵は、出力トークンと拒絶領域の結合である。 一般仮説テスト設定において,UMP(Uniformly Most Powerful)の透かしを特徴付ける。
  論文  参考訳（メタデータ） (2023-12-13T06:57:00Z)
• Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
  半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析 本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。 我々の手法は、最先端の手法をクリアマージンで上回る。
  論文  参考訳（メタデータ） (2023-07-16T16:32:14Z)
• Efficient Testable Learning of Halfspaces with Adversarial Label Noise [44.32410859776227]
  最近導入されたテスト可能な学習モデルでは、データがテスタを通過すると、データに対する堅牢な学習者の出力を信頼するように、テスタ-ラーナーを作成する必要がある。 テストラナーは、時間$poly(d/eps)$を実行し、ミス分類エラー$O(opt)+eps$でハーフスペースを出力します。
  論文  参考訳（メタデータ） (2023-03-09T18:38:46Z)
• Quantum Error Mitigation by Pauli Check Sandwiching [4.419800664096479]
  複数対のパリティチェックを用いて誤りの有無を検知する誤差軽減手法を記述・解析する。 私たちは、拡張フラグガジェットの成果の上に構築し、しっかりとした理論的基礎の上に置きます。
  論文  参考訳（メタデータ） (2022-06-01T03:48:50Z)
• Learn then Test: Calibrating Predictive Algorithms to Achieve Risk Control [67.52000805944924]
  Learn then Test (LTT)は、機械学習モデルを校正するフレームワークである。 私たちの主な洞察は、リスクコントロール問題を複数の仮説テストとして再設計することです。 我々は、コンピュータビジョンの詳細な実例を用いて、コア機械学習タスクの新しいキャリブレーション手法を提供するために、我々のフレームワークを使用します。
  論文  参考訳（メタデータ） (2021-10-03T17:42:03Z)
• Tail-to-Tail Non-Autoregressive Sequence Prediction for Chinese Grammatical Error Correction [49.25830718574892]
  本稿では,Tail-to-Tail (textbfTtT) という新しいフレームワークを提案する。 ほとんどのトークンが正しいので、ソースからターゲットに直接転送でき、エラー位置を推定して修正することができる。 標準データセット、特に可変長データセットに関する実験結果は、文レベルの精度、精度、リコール、F1-Measureの観点からTtTの有効性を示す。
  論文  参考訳（メタデータ） (2021-06-03T05:56:57Z)
• 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。