Fugu-MT 論文翻訳(概要): Constrained Co-Design for Photonic Bayesian Neural Networks

論文の概要: Constrained Co-Design for Photonic Bayesian Neural Networks

arxiv url: http://arxiv.org/abs/2608.02229v1
Date: Mon, 03 Aug 2026 13:47:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.582032
Title: Constrained Co-Design for Photonic Bayesian Neural Networks
Title（参考訳）: フォトニックベイズニューラルネットワークの制約付き共設計
Abstract要約: ベイズニューラルネットワーク(BNN)は、決定論的パラメータを確率分布に置き換えることで、不確実性を考慮した予測の原則的フレームワークを提供する。フォトニックコンピューティングは、高速かつ並列サンプリングに固有の光学性を活用することで、有望な代替手段を提供する。ハードウェアが課した制約がフォトニックBNNの推論を制限するか、これらの制約をどのように表現できるか、そして、光ニックBNNが小さな概念実証ネットワークを超えて許容できる範囲について検討する。
参考スコア（独自算出の注目度）: 4.191204698939203
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Classical neural networks frequently produce overconfident predictions on ambiguous or out-of-distribution (OOD) data, a liability that grows with each AI system deployed in safety-critical real-world scenarios. Bayesian neural networks (BNNs) provide a principled framework for uncertainty-aware prediction by replacing deterministic parameters with probability distributions, but repeated sampling increases latency, memory traffic, and energy consumption. Photonic probabilistic computing offers a promising alternative by exploiting intrinsic optical stochasticity for fast and parallel sampling. However, photonic BNNs are not ideal samplers: analog constraints on quantization, programming error, dynamic range, and representable mean and variance restrict the variational families that can be implemented in hardware. In this work, we study which hardware-imposed constraints limit scalable photonic BNN inference, how these constraints can be represented, and which ranges can be tolerated by photonic BNNs beyond small proof-of-concept networks. We formulate photonic BNN inference as constrained stochastic variational inference and perform a systematic ablation study over stochasticity location, stochasticity modality, quantization, programming error, and mean/variance bounds. From these results, we derive concrete co-design guidelines that distinguish hardware constraints that can be compensated by training from those requiring hardware or architecture intervention. We validate these guidelines under coupled, hardware-realistic constraints on Dirty-MNIST, CIFAR-10, and CINIC-10, using Fashion-MNIST and SVHN as OOD benchmarks, showing that hardware-aware training recovers predictive performance and uncertainty quality whenever the required variational family remains representable, whereas violations of representational limits require targeted hardware modifications.
Abstract（参考訳）: 古典的なニューラルネットワークは、安全クリティカルな現実世界のシナリオにデプロイされた各AIシステムで成長する責任である、曖昧さやアウト・オブ・ディストリビューション(OOD)データに対する過信予測を頻繁に生成する。ベイズニューラルネットワーク(BNN)は、決定論的パラメータを確率分布に置き換えることによる不確実性を考慮した予測の原則的フレームワークを提供するが、繰り返しサンプリングすることでレイテンシ、メモリトラフィック、エネルギー消費が増加する。フォトニック確率計算は、本質的な光学確率性を高速かつ並列サンプリングに活用することで、有望な代替手段を提供する。しかし、フォトニックBNNは理想的なサンプルではない:量子化、プログラミングエラー、動的範囲、表現可能な平均と分散のアナログ制約は、ハードウェアで実装可能な変動族を制限する。本研究では,ハードウェアが課した制約がスケーラブルなフォトニックBNN推論を制限するか,これらの制約をどのように表現できるか,また,概念実証ネットワークを超えてフォトニックBNNが許容できる範囲について検討する。我々は,フォトニックBNN推論を制約付き確率的変動推定として定式化し,確率的位置,確率的モジュラリティ,量子化,プログラミングエラー,平均/分散境界に関する体系的アブレーション研究を行う。これらの結果から,ハードウェアやアーキテクチャの介入を必要とするものから,トレーニングによって補償できるハードウェア制約を識別する,具体的な共同設計ガイドラインを導出する。我々は、これらのガイドラインを、Fashion-MNISTとSVHNをOODベンチマークとして用いて、Dirty-MNIST、CIFAR-10、CINIC-10のハードウェア現実的制約と組み合わせて検証した。

関連論文リスト

Disentangling Aleatoric and Epistemic Uncertainty in Physics-Informed Neural Networks. Application to Insulation Material Degradation Prognostics [1.1417805445492082]
既存のPINベースの予後のアプローチは、決定論的あるいは不確実性のみを考慮し、リスク認識による意思決定に対する適合性を制限している。この研究は、BNNと物理ベースの残差法則と事前分布を統合した、異例のベイズ物理学インフォームドニューラルネットワーク(B-PINN)フレームワークを導入する。その結果,提案したB-PINNは,競合する手法よりも予測精度が向上し,系統的不確実性の推定精度が向上していることがわかった。
論文参考訳（メタデータ） (2026-01-07T07:54:09Z)
Uncertainty-Preserving QBNNs: Multi-Level Quantization of SVI-Based Bayesian Neural Networks for Image Classification [9.160739594332036]
変分推論に基づくBNNのための体系的マルチレベル量子化フレームワークを提案する。分類精度と不確かさの両面を保ちながら,BNNを4ビット精度まで量子化できることを実証した。
論文参考訳（メタデータ） (2025-12-11T12:51:42Z)
A Conformal Prediction Framework for Uncertainty Quantification in Physics-Informed Neural Networks [0.9613011825024471]
PINNはPDEを解決するための強力なフレームワークとして登場した。既存のPINNに対する不確実な定量化アプローチは、一般的に厳密な統計的保証を欠いている。 PINNにおけるUQのための分布自由な共形予測フレームワークを提案する。
論文参考訳（メタデータ） (2025-09-17T06:12:48Z)
End-to-End Probabilistic Framework for Learning with Hard Constraints [43.297232073870866]
ProbHardE2Eは,ハード操作・物理制約を組み込んだ確率予測フレームワークである。我々の手法は、幅広いニューラルネットワークアーキテクチャと組み合わせられる新しい微分可能確率射影層(DPPL)を用いている。
論文参考訳（メタデータ） (2025-06-08T05:29:50Z)
Evaluating Single Event Upsets in Deep Neural Networks for Semantic Segmentation: an embedded system perspective [1.474723404975345]
本稿では,組み込みディープニューラルネットワーク(DNN)のロバスト性評価について述べる。本研究は,様々なエンコーダデコーダモデルの層間およびビット間感度をソフトエラーに精査することにより,セグメント化DNNのSEUに対する脆弱性を徹底的に調査する。本稿では,資源制約によるデプロイメントに適したメモリや計算コストを伴わない,実用的な軽量なエラー軽減手法を提案する。
論文参考訳（メタデータ） (2024-12-04T18:28:38Z)
Bayesian Entropy Neural Networks for Physics-Aware Prediction [14.705526856205454]
本稿では,ベイズニューラルネットワーク(BNN)の予測に制約を加えるためのフレームワークであるBENNを紹介する。ベンは予測値だけでなく、その微分や分散を制約し、より堅牢で信頼性の高いモデル出力を保証できる。その結果、従来のBNNよりも大幅に改善され、現代の制約されたディープラーニング手法と比較して競争性能が向上した。
論文参考訳（メタデータ） (2024-07-01T07:00:44Z)
Using Uncertainty Quantification to Characterize and Improve Out-of-Domain Learning for PDEs [44.890946409769924]
ニューラル演算子(NO)は特に有望な量子化として出現している。本研究では,複数のNOをアンサンブルすることで,高いエラー領域を同定し,不確実性の高い推定を行うことができることを示す。次に、ProbConservフレームワーク内でこれらのよく校正されたUQ推定を使ってモデルを更新するOperator-ProbConservを紹介します。
論文参考訳（メタデータ） (2024-03-15T19:21:27Z)
Achieving Constraints in Neural Networks: A Stochastic Augmented Lagrangian Approach [49.1574468325115]
DNN(Deep Neural Networks)の正規化は、一般化性の向上とオーバーフィッティングの防止に不可欠である。制約付き最適化問題としてトレーニングプロセスのフレーミングによるDNN正規化に対する新しいアプローチを提案する。我々はAugmented Lagrangian (SAL) 法を用いて、より柔軟で効率的な正規化機構を実現する。
論文参考訳（メタデータ） (2023-10-25T13:55:35Z)
Random-Set Neural Networks (RS-NN) [4.549947259731147]
本稿では,新しいランダムセットニューラルネットワーク(RS-NN)による分類手法を提案する。 RS-NNは、不十分に代表される訓練セットによって引き起こされる「緊急」不確実性を符号化する。提案手法は,精度,不確実性推定,アウト・オブ・ディストリビューション(OoD)検出において,最先端のベイズ法およびアンサンブル法より優れる。
論文参考訳（メタデータ） (2023-07-11T20:00:35Z)
On the Forward Invariance of Neural ODEs [92.07281135902922]
本稿では,ニューラル常微分方程式(ODE)が出力仕様を満たすことを保証するための新しい手法を提案する。提案手法では,出力仕様を学習システムのパラメータや入力の制約に変換するために,制御障壁関数のクラスを用いる。
論文参考訳（メタデータ） (2022-10-10T15:18:28Z)
Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
論文参考訳（メタデータ） (2022-04-01T03:31:27Z)
NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文参考訳（メタデータ） (2022-02-07T12:30:45Z)
Certification of Iterative Predictions in Bayesian Neural Networks [79.15007746660211]
我々は、BNNモデルの軌道が与えられた状態に到達する確率に対して、安全でない状態の集合を避けながら低い境界を計算する。我々は、制御と強化学習の文脈において、下限を用いて、与えられた制御ポリシーの安全性保証を提供する。
論文参考訳（メタデータ） (2021-05-21T05:23:57Z)
Chance-Constrained Control with Lexicographic Deep Reinforcement Learning [77.34726150561087]
本稿では,レキシックなDeep Reinforcement Learning(DeepRL)に基づく確率制約マルコフ決定プロセスを提案する。有名なDeepRLアルゴリズムDQNの辞書版も提案され、シミュレーションによって検証されている。
論文参考訳（メタデータ） (2020-10-19T13:09:14Z)
Robustness Analysis of Neural Networks via Efficient Partitioning with Applications in Control Systems [45.35808135708894]
ニューラルネットワーク(NN)は現在、不確実な環境で動作しなければならないシステムに定期的に実装されている。本稿では、ロバストネス解析アルゴリズムのファミリを提供するために、伝播と分割のアプローチを統合する。新しいパーティショニング技術は、現在の境界推定値と望ましい境界形状を認識している。
論文参考訳（メタデータ） (2020-10-01T16:51:36Z)
Frequentist Uncertainty in Recurrent Neural Networks via Blockwise Influence Functions [121.10450359856242]
リカレントニューラルネットワーク(RNN)は、シーケンシャルおよび時系列データのモデリングに有効である。 RNNにおける既存の不確実性定量化のアプローチは、主にベイズ法に基づいている。 a)モデルトレーニングに干渉せず、その精度を損なうことなく、(b)任意のRNNアーキテクチャに適用し、(c)推定不確かさ間隔に関する理論的カバレッジ保証を提供する。
論文参考訳（メタデータ） (2020-06-20T22:45:32Z)

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。