論文の概要: TreeFI: Value-Aware Statistical Fault Injection for Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2609.04912v1
• Date: Fri, 04 Sep 2026 09:15:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.992615
• Title: TreeFI: Value-Aware Statistical Fault Injection for Deep Neural Networks
• Title（参考訳）: TreeFI:Deep Neural Networksのための価値を考慮した統計的フォールトインジェクション
• Abstract要約: TreeFIは、DNNアクティベーションおよびウェイトにおけるFP32単一ビット障害に対する値認識型フォールトインジェクション手法である。 CIFAR-10 と ImageNet を用いた CNN および Transformer モデル上で TreeFI を検証する。 評価されたモデル全体で、TreeFIは必要な注入予算を72.1倍に減らし、アクティベーション障害では44.9倍、実行された重量キャンペーンでは11.2倍に減らした。
• 参考スコア（独自算出の注目度）: 1.277452693606793
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliability evaluation of deep neural networks under hardware faults commonly relies on fault injection, but exhaustive campaigns are intractable for modern models and datasets. Statistical fault injection reduces this cost, yet existing approaches still require large injection budgets because they do not explicitly exploit a key property of floating-point faults: the effect of a bit flip depends strongly on the value being corrupted. We propose TreeFI, a value-aware statistical fault-injection methodology for FP32 single-bit faults in DNN activations and weights. TreeFI partitions each layer's value distribution into intervals with similar expected bit-flip behavior, learned using regression trees, and allocates injections across these intervals according to their relevance for failure-rate estimation. This stratified allocation preserves the target confidence and error margin while avoiding unnecessary injections in low-impact regions of the fault space. We validate TreeFI on CNN and Transformer models using CIFAR-10 and ImageNet. On ResNet8, where exhaustive activation fault injection is feasible, TreeFI provides more accurate estimates than state-of-the-art statistical FI baselines under the same campaign setting. Across the evaluated models, TreeFI reduces the required injection budget by up to 72.1x, with average reductions of 44.9x for activation faults and 11.2x for the executed weight campaigns.
• Abstract（参考訳）: ハードウェア障害下でのディープニューラルネットワークの信頼性評価は、一般的にフォールトインジェクションに依存している。 統計的フォールトインジェクションは、このコストを削減するが、既存のアプローチでは浮動小数点断層の重要な特性を明示的に活用していないため、大きなインジェクション予算を必要とする。 DNNのアクティベーションと重みにおけるFP32単一ビット障害に対する値認識型統計的欠陥注入手法であるTreeFIを提案する。 TreeFIは、各レイヤの値分布を、同様の期待ビットフリップの振る舞いでインターバルに分割し、レグレッションツリーを使って学習し、それらのインターバル間でインジェクションを、障害発生率推定の関連性に応じて割り当てる。 この階層配置は、断層空間の低影響領域における不要な注入を回避しつつ、目標の信頼性とエラーマージンを保っている。 CIFAR-10 と ImageNet を用いた CNN および Transformer モデル上で TreeFI を検証する。 ResNet8では、アクティベーション障害注入が可能であり、TreeFIは、同じキャンペーン環境下での最先端の統計的FIベースラインよりも正確な推定を提供する。 評価されたモデル全体で、TreeFIは必要な注入予算を72.1倍に減らし、アクティベーション障害では44.9倍、実行された重量キャンペーンでは11.2倍に減らした。

関連論文リスト

• PRISM: Sensitivity-Aware PolynoMial PRuning for EffIcient Neural Network Encryption [0.0]
  本稿では,Pruned CKKS-en critical Neural Networkの信頼性評価を行う。 PAP(Polynomial-Sensitivity-Aware Pruning)は、本質的に信頼性に配慮した構造化プルーニング法である。
  論文  参考訳（メタデータ） (2026-07-20T05:47:06Z)
• Categorical Robustness Assessment for Machine Learning based Network Intrusion Detection Systems [6.42094170804706]
  敵の攻撃は ネットワークトラフィックデータに 慎重に妨害を加え 誤分類に繋がる 本稿では,攻撃者がシステムを操作しようとすると,どのようなアーキテクチャが実際に維持されるのかを問う。 敵の環境で侵入検知を行う実践者に対しては、CNNベースのアーキテクチャを推奨する。
  論文  参考訳（メタデータ） (2026-06-10T13:41:44Z)
• Mitigating the ID-OOD Tradeoff in Open-Set Test-Time Adaptation [52.620992698137236]
  オープンセットテスト時間適応(OSTTA)は、新しい環境にモデルを適用するという課題に対処する。 本稿では,OSTTAにおけるエントロピーの限界をまず解析し,次に特徴ノルム等級を規制する角損失を導入する。 高いID分類性能を維持しながら強力なOOD検出を実現する。
  論文  参考訳（メタデータ） (2026-04-02T04:00:57Z)
• Learning a Generative Meta-Model of LLM Activations [75.30161960337892]
  ネットワークの内部状態の分布を学習する"メタモデル"を作成します。 ステアリング介入前に学んだメタモデルを適用することで、損失が減少するにつれて、流速が向上する。 これらの結果は、生成的メタモデルが制限的な構造的仮定を伴わずに、解釈可能性へのスケーラブルな経路を提供することを示唆している。
  論文  参考訳（メタデータ） (2026-02-06T18:59:56Z)
• Fault injection analysis of Real NVP normalising flow model for satellite anomaly detection [0.22369578015657962]
  衛星は、通信、地球観測、宇宙科学など、様々な用途に使用される。 人工知能(AI)の重要な応用の1つは、故障検出である。 ニューラルネットワークの利点にもかかわらず、これらのシステムは放射線エラーに弱いため、信頼性に大きな影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2025-04-02T08:32:59Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• enpheeph: A Fault Injection Framework for Spiking and Compressed Deep Neural Networks [10.757663798809144]
  スパイク・圧縮型ディープニューラルネットワーク(DNN)の故障注入フレームワークであるenpheephについて述べる。 ランダムかつ増加する故障数を注入することにより,DNNはパラメータあたり7 x 10 (-7) の故障率で精度を低下させることができ,精度は40%以上低下することを示した。
  論文  参考訳（メタデータ） (2022-07-31T00:30:59Z)
• Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
  本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。 これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。 提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
  論文  参考訳（メタデータ） (2022-06-04T19:45:02Z)
• Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
  我々は,推論中に深層モデルを新しい環境に適応させることを提案する。 バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。 また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
  論文  参考訳（メタデータ） (2021-10-06T08:45:03Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。