論文の概要: CoG-Guided Weight Correction for Fault-Tolerant Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2607.15753v1
- Date: Fri, 17 Jul 2026 08:41:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.799601
- Title: CoG-Guided Weight Correction for Fault-Tolerant Deep Neural Networks
- Title（参考訳）: 耐故障性ニューラルネットワークのCoG誘導重み補正
- Abstract要約: 本研究では,各層内の空間特性に基づいて,重みを復元する重み補正法を提案する。
提案手法は, 距離対応補正規則を用いて重量欠陥を検出し, 修正し, 再訓練や構造変更の必要をなくす。
- 参考スコア（独自算出の注目度）: 0.6840587119863303
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep Neural Networks (DNNs) used in safety-critical applications are vulnerable to hardware and memory faults that corrupt network weights and degrade reliability. In this paper, we propose a Center of Gravity (CoG) guided weight correction method that restores faulty weights based on their spatial characteristics within each layer. The proposed approach detects and corrects weight faults using distance-aware correction rules, eliminating the need for retraining or architectural modification. The effectiveness of the proposed method in terms of the capability of tolerating hardware faults has been evaluated through performing fault injection at different Bit Error Rates (BERs). Experiments on safety-critical LSTM-based Networks, including StageNet for disease progression tracking and MTFNet for cardiac anomaly detection, demonstrate fault tolerance improvements of up to 230x and 6.41x, respectively, at a BER of 10^{-3}, with negligible accuracy loss. When extended to Convolutional Neural Networks (CNNs), the method achieves up to 49.55x and 20.79x improvements under comparable fault conditions on ResNet-18 and VGG-16, respectively. To the best of our knowledge, this is the first work to apply the CoG concept to neural network weight tensors for enhancing model reliability.
- Abstract（参考訳）: 安全クリティカルなアプリケーションで使用されるディープニューラルネットワーク(DNN)は、ネットワーク重みを破損させ信頼性を低下させるハードウェアやメモリ障害に対して脆弱である。
本稿では,各層内の空間的特性に基づいて重みを復元する重み補正法について,Center of Gravity (CoG) の導出法を提案する。
提案手法は, 距離対応補正規則を用いて重み欠陥を検出し, 修正し, 再トレーニングやアーキテクチャ変更の必要をなくす。
提案手法の有効性は, 異なるビット誤り率 (BER) で故障注入を行うことにより, ハードウェア故障を許容する能力において評価されている。
StageNet for disease progression trackingとMTFNet for heartc anomaly Detectionを含むLSTMベースの安全クリティカルネットワークの実験では、それぞれ最大230xと6.41xの耐障害性の改善が10^{-3}のBERにおいて、無視できる精度の損失で示された。
畳み込みニューラルネットワーク(CNN)に拡張されると、それぞれResNet-18とVGG-16のフォールト条件で49.55xと20.79xの改善が達成される。
我々の知る限りでは、モデル信頼性を高めるためにニューラルネットワーク重みテンソルにCoGの概念を適用するのは、これが初めてである。
関連論文リスト
- Reducing ANN-SNN Conversion Error via Residual Membrane Potential Alignment [52.910770415431244]
スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックコンピューティングのコアアーキテクチャとして機能する。
ANN-SNN変換は、低レイテンシでエネルギー効率のよい推論のために、よく訓練されたANN重みを再利用することで問題を回避している。
既存の変換方式は、小さなタイミングで精度の低下、大きな推論遅延、累積量子化誤差に悩まされている。
論文 参考訳（メタデータ） (2026-08-14T04:46:03Z) - Cost-Effective Fault Tolerance for CNNs Using Parameter Vulnerability Based Hardening and Pruning [0.4660328753262075]
本稿では,ニューラルネットワークに誤り訂正を直接組み込むことにより,CNNのモデルレベル硬化手法を提案する。
提案手法は,TMRに基づく補正とほぼ同等の耐故障性を示すが,オーバーヘッドは大幅に減少する。
注目すべきは、硬化したpruned CNNは、硬化したun-prunedよりも最大24%高速であることだ。
論文 参考訳（メタデータ） (2024-05-17T09:42:44Z) - Closing the gap: Optimizing Guidance and Control Networks through Neural ODEs [5.472114129137035]
我々は、時間-最適移動と質量-最適着陸の最適制御ポリシーを表現するためにネットワークを訓練する。
軌道移動では、目標への最終誤差は1つの軌道で99%、500軌道で70%減少する。
このステップにより、G&CNETの精度が大幅に向上し、運用上の信頼性が向上する。
論文 参考訳（メタデータ） (2024-04-25T13:14:32Z) - Global Context Aggregation Network for Lightweight Saliency Detection of
Surface Defects [70.48554424894728]
我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。
まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。
3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
論文 参考訳（メタデータ） (2023-09-22T06:19:11Z) - CorrectNet: Robustness Enhancement of Analog In-Memory Computing for
Neural Networks by Error Suppression and Compensation [4.570841222958966]
本稿では,ニューラルネットワークの変動と雑音下での堅牢性を高める枠組みを提案する。
ニューラルネットワークの予測精度は、変動とノイズの下で1.69%以下から回復可能であることを示す。
論文 参考訳（メタデータ） (2022-11-27T19:13:33Z) - Can pruning improve certified robustness of neural networks? [106.03070538582222]
ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。
実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。
さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
論文 参考訳（メタデータ） (2022-06-15T05:48:51Z) - NNrepair: Constraint-based Repair of Neural Network Classifiers [10.129874872336762]
NNrepairはニューラルネットワークの分類器を修復するための制約ベースの技術である。
NNrepairはまず、障害のあるネットワークパラメータを見つけるために障害ローカリゼーションを使用します。
その後、制約解決を使用して修復を行い、パラメータに小さな修正を加えて欠陥を修復する。
論文 参考訳（メタデータ） (2021-03-23T13:44:01Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z) - Improve Generalization and Robustness of Neural Networks via Weight
Scale Shifting Invariant Regularizations [52.493315075385325]
重み劣化を含む正則化器の族は、均質な活性化関数を持つネットワークに対する本質的な重みのノルムをペナルティ化するのに有効でないことを示す。
そこで我々は,ニューラルネットワークの本質的な規範を効果的に制約する改良型正規化器を提案する。
論文 参考訳（メタデータ） (2020-08-07T02:55:28Z) - Revisiting Initialization of Neural Networks [72.24615341588846]
ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。
Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
論文 参考訳（メタデータ） (2020-04-20T18:12:56Z) - Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。
焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。
ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
論文 参考訳（メタデータ） (2020-02-21T17:35:50Z) - Functional Error Correction for Robust Neural Networks [0.6445605125467572]
ニューラルネットワーク(NeuralNets)をハードウェアで実装する場合、その重みをメモリデバイスに格納する必要がある。
格納された重みにノイズが蓄積されると、NeuralNetのパフォーマンスは低下する。
本稿では,重みを保護するために誤り訂正符号(ECC)の使い方について検討する。
論文 参考訳（メタデータ） (2020-01-12T00:40:49Z)
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。