論文の概要: Beyond Noise: Understanding and Overcoming Temperature Effects in Analog DNN Inference

• arxiv url: http://arxiv.org/abs/2609.15527v1
• Date: Mon, 14 Sep 2026 13:17:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.407382
• Title: Beyond Noise: Understanding and Overcoming Temperature Effects in Analog DNN Inference
• Title（参考訳）: 騒音を超えて:アナログDNN推論における温度効果の理解と克服
• Abstract要約: アナログ加速器は、物理的成分の変化によって生じるノイズや非イデオロギーに影響を受けやすい。 温度による劣化は主にノイズ単独ではなく、系統的な非イデオロギーによって引き起こされることを示す。 ノイズアウェアトレーニングは堅牢性を改善する一方、ハードウェア・イン・ザ・ループトレーニングと温度校正は様々な温度条件で最も高い精度の保持を提供する。
• 参考スコア（独自算出の注目度）: 4.663767304979158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The energy efficiency of analog computing makes it one of the most promising candidates for deploying resource-intensive machine learning workloads on constrained platforms such as mobile and embedded devices. However, analog accelerators are inherently susceptible to noise and non-idealities arising from physical component variations, whose behavior is further sensitive to environmental factors. These effects can significantly degrade inference accuracy. In this work, we conduct a comprehensive experimental study on a representative example of analog hardware to investigate the impact of temperature. We first characterize the behavior of stochastic and systematic non-idealities across a range of operating temperatures. Following this, we compare a set of simulation-based and hardware-based mitigation strategies aimed at improving robustness against temperature-induced performance degradation. Our results suggest that temperature-induced degradation is driven primarily by systematic non-idealities rather than stochastic noise alone. Noise-aware training improves robustness, while hardware-in-the-loop training and temperature-aware calibration provide the strongest accuracy retention across varying thermal conditions.
• Abstract（参考訳）: アナログコンピューティングのエネルギー効率は、モバイルや組み込みデバイスのような制約のあるプラットフォームにリソース集約型の機械学習ワークロードをデプロイする最も有望な候補の1つである。 しかし、アナログ加速器は、物理的成分の変化に起因するノイズや非イデオロギーに本質的に感受性があり、その振る舞いは環境要因にさらに敏感である。 これらの効果は推測精度を著しく低下させる。 本研究では,アナログハードウェアの代表的な例について総合実験を行い,温度の影響について検討する。 まず, 確率的, 系統的非理想性の動作を, 様々な温度で特徴付ける。 次に、温度誘起性能劣化に対するロバスト性向上を目的とした、シミュレーションベースおよびハードウェアベースの緩和戦略のセットを比較した。 以上の結果から, 温度依存性の劣化は, 主に確率ノイズのみでなく, 体系的な非理想性によって引き起こされていることが示唆された。 ノイズアウェアトレーニングは堅牢性を改善する一方、ハードウェア・イン・ザ・ループトレーニングと温度アウェア・キャリブレーションは様々な温度条件で最も高い精度の保持を提供する。

関連論文リスト

• Equilibrium Forcing: Adaptive Video Generation Without Noise Conditioning [85.93126001283169]
  ノイズレベル条件のない生成モデルを映像化するためのフレームワークであるEquilibrium Forcing (EqF)を紹介する。 この柔軟性により、サンプルからのフィードバックに適応してクローズドループで動作する推論時アルゴリズムが実現される。
  論文  参考訳（メタデータ） (2026-08-11T00:02:32Z)
• Characterizing and Mitigating the Effects of Device Temperature on RF Fingerprinting Accuracy [3.065243326333468]
  RFFP(Radio Frequency Fingerprinting)は、ハードウェア固有の障害を利用したデバイス認証のための有望なアプローチとして登場した。 温度に対するRFFP感度は、デバイスシグネチャを著しく変更し、分類性能を低下させる。 本稿では,デバイス温度情報を学習プロセスに明示的に組み込んだRFFPフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-27T21:00:24Z)
• ThRIve: Thermally Robust CNN Inference via Low-Rank Adaptation in Heterogeneous PIM Architectures [13.754183593794131]
  Processing-In-Memory(PIM)は、機械学習(ML)ワークロードを高速化するための有望な技術として登場した。 PIMデバイスは熱雑音などの非イデオロギーに悩まされる。 このノイズは、実際のモデル重みに対応するメモリセルの格納値を変更し、推測精度を向上させる。 我々は、低ランク適応を利用して、熱的に堅牢な推論を可能にする雑音認識学習手法ThRIveを紹介する。
  論文  参考訳（メタデータ） (2026-07-19T06:03:25Z)
• Reproducible Reservoir Computing with Thermally Driven Superparamagnets: Controlling Temperature Sensitivity [0.9851812512860351]
  従来の計算システムでは,実環境下でのロバストな性能を実証し,実用的展開を実現する必要がある。 超低消費電力貯水池計算用基板として, ひずみ誘起磁気結合による超常磁性ナノドットアンサンブルをエキサイティングな候補として提案した。 これらの力学は熱活性化効果によって制御されるため、これらの系は本質的に環境温度変動に敏感であり、トレーニング中に使用する温度範囲外での作業性能が低下する。
  論文  参考訳（メタデータ） (2026-07-14T14:57:12Z)
• Learning to Act under Noise: Enhancing Agent Robustness via Noisy Environments [68.02342920827135]
  エージェント学習プロセスに環境欠陥を明示的に組み込んだエージェント学習フレームワークであるNoisyAgentを提案する。 実世界のシナリオでは,ユーザインタラクションにおけるあいまいさと可変性を捉えるユーザノイズと,ツール実行における障害や異常を反映するツールノイズという,2つの主要なインタラクションノイズ源を識別する。 広汎な実験により,本手法は騒音および動的環境下でのエージェントの堅牢性を常に改善することを示した。
  論文  参考訳（メタデータ） (2026-05-26T16:02:00Z)
• AgentNoiseBench: Benchmarking Robustness of Tool-Using LLM Agents Under Noisy Condition [72.24180896265192]
  本稿では,騒音環境下でのエージェントモデルのロバスト性を評価するためのフレームワークであるAgentNoiseBenchを紹介する。 まず、実世界のシナリオにおけるバイアスと不確実性の詳細な分析を行う。 次に,環境騒音をユーザノイズとツールノイズの2つの主要なタイプに分類する。 この分析に基づいて,既存のエージェント中心ベンチマークに制御可能なノイズを注入する自動パイプラインを開発した。
  論文  参考訳（メタデータ） (2026-02-11T20:33:10Z)
• Physics-guided denoiser network for enhanced additive manufacturing data quality [0.0]
  本稿では,エネルギーモデルとフィッシャースコアの正規化を統合した物理インフォームド・デノナイズ・フレームワークを提案する。 次に,レーザーパウダーベッド融合(LPBF)添加製造実験から得られた実熱放射データにこの枠組みを適用した。 提案手法はベースラインニューラルネットワークデノイザーより優れており, LPBF処理条件下でのノイズを効果的に低減する。
  論文  参考訳（メタデータ） (2025-07-31T05:21:02Z)
• DEAL: Data-Efficient Adversarial Learning for High-Quality Infrared Imaging [47.22313650077835]
  温度劣化シミュレーションをミニマックス最適化によりトレーニングプロセスに統合する。 シミュレーションは、目的関数を最大化するために動的であり、これにより、劣化したデータ分布の幅広いスペクトルをキャプチャする。 このアプローチにより、限られたデータによるトレーニングが可能になり、モデルのパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2025-03-02T14:15:44Z)
• Optimizing Temperature for Language Models with Multi-Sample Inference [47.14991144052361]
  本稿では,異なる大言語モデルに対する(近傍)最適温度の自動同定という課題に対処する。 モデルアーキテクチャ、データセット、タスクタイプ、モデルサイズ、予測精度の変動を考慮して、性能最適化における温度の役割を総合的に分析する。 本稿では,温度自動最適化のためのエントロピーに基づく新しい計量法を提案する。
  論文  参考訳（メタデータ） (2025-02-07T19:35:25Z)
• A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
  ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたソフトウェアスパイクニューラルネットワークシミュレータである。 得られた結果が,ソフトウェアでトレーニングされたスパイクニューラルネットワークの動作を,かつてハードウェアにデプロイされた場合の信頼性の高い推定方法を示す。
  論文  参考訳（メタデータ） (2024-09-23T11:16:46Z)
• Dynamically Scaled Temperature in Self-Supervised Contrastive Learning [11.133502139934437]
  本稿では,コサインの類似性に依存した温度スケーリング機能を提案することで,自己教師型学習におけるInfoNCE損失の性能向上に着目する。 実験的な証拠は、提案フレームワークが損失ベースのSSLアルゴリズムよりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-08-02T13:31:41Z)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。