論文の概要: FAME: An FPGA-Based Platform for Approximate Multipliers Evaluation with Pattern-Guided DNN Retraining

• arxiv url: http://arxiv.org/abs/2609.17730v1
• Date: Tue, 15 Sep 2026 18:39:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.503606
• Title: FAME: An FPGA-Based Platform for Approximate Multipliers Evaluation with Pattern-Guided DNN Retraining
• Title（参考訳）: FAME:パターン誘導DNNリトレーニングによる近似乗算器評価のためのFPGAベースのプラットフォーム
• Abstract要約: FAMEは、近似乗算器を評価するFPGAベースのプラットフォームである。 FPGA(Field-Programmable Gate Array)の再構成可能なロジックを利用して、ハードウェアに直接近似乗算器を実装する。 近似乗算器による精度劣化を軽減するために,パターン誘導型リトレーニング手法を提案する。
• 参考スコア（独自算出の注目度）: 1.000417239033592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Approximate multipliers can reduce hardware area and energy consumption in Deep Neural Network (DNN) inference; however, they introduce computational errors. Assessing the accuracy of numerous approximate multiplier designs across diverse DNN models and large-scale datasets remains challenging due to prohibitive evaluation times. This overhead primarily stems from the slow emulation of approximate multiplier behavior using look-up tables (LUTs) on CPU and GPU platforms. Moreover, the resulting accuracy degradation must be carefully quantified and, if necessary, mitigated (e.g., through retraining), further increasing the overall evaluation cost. To address these challenges, we propose FAME, an FPGA-based platform for evaluating approximate multipliers. The platform exploits the reconfigurable logic of Field-Programmable Gate Arrays (FPGAs) to implement approximate multipliers directly in hardware, eliminating the need for LUT-based emulation on CPU/GPU platforms and thereby enabling efficient DNN inference while significantly reducing evaluation time on large datasets. Furthermore, we introduce a pattern-guided DNN retraining technique to mitigate accuracy degradation induced by approximate multipliers. Specifically, retraining is guided by multiplier-specific patterns to effectively recover potential accuracy losses. We evaluate FAME using two DNN models, ResNet-18 and MobileNetV2, on the ImageNet dataset across 27 approximate multipliers. During inference, our approach achieves up to a 3.47x speedup in approximate multiplier evaluation compared to prior LUT-based emulation methods. Furthermore, the proposed retraining technique improves accuracy by up to 65.5% over existing retraining approaches for the evaluated multipliers. The code is publicly available at: https://github.com/gicLAB/FAME
• Abstract（参考訳）: 近似乗算器は、ディープニューラルネットワーク(DNN)推論におけるハードウェア領域とエネルギー消費を減らすことができるが、計算誤差を導入する。 様々なDNNモデルと大規模データセットにまたがる多数の近似乗算器設計の精度を評価することは、禁止的な評価時間のために依然として困難である。 このオーバーヘッドは主に、CPUとGPUプラットフォーム上のルックアップテーブル(LUT)を使用した近似乗算器の動作の遅いエミュレーションに由来する。 さらに、結果の精度劣化を慎重に定量化し、必要に応じて緩和(例えば、再訓練により)し、全体的な評価コストをさらに高める必要がある。 これらの課題に対処するために、近似乗算器を評価するFPGAベースのプラットフォームであるFAMEを提案する。 このプラットフォームは、FPGA(Field-Programmable Gate Array)の再構成可能なロジックを利用して、ハードウェアに直接近似乗算器を実装することにより、CPU/GPUプラットフォーム上でのLUTベースのエミュレーションの必要性を排除し、大規模なデータセットの評価時間を著しく削減しつつ、効率的なDNN推論を可能にする。 さらに,近似乗算器による精度劣化を軽減するため,パターン誘導型DNNリトレーニング手法を提案する。 特に、リトレーニングは乗算器固有のパターンで導かれ、潜在的な精度損失を効果的に回復する。 2つのDNNモデルであるResNet-18とMobileNetV2を用いて、27個の近似乗算器からなるImageNetデータセット上でFAMEを評価する。 提案手法は,LUTを用いたエミュレーション法と比較して,近似乗算器評価において最大3.47倍の高速化を実現している。 さらに,提案手法により,評価乗算器の既存の再学習手法よりも65.5%の精度が向上する。 コードは、https://github.com/gicLAB/FAMEで公開されている。

関連論文リスト

• MesaNet: Sequence Modeling by Locally Optimal Test-Time Training [67.45211108321203]
  我々は,最近提案されたMesa層の数値的に安定かつチャンクワイズ可能な並列化版を導入する。 テストタイムの最適トレーニングにより、従来のRNNよりも言語モデリングの難易度が低く、ダウンストリームベンチマークのパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2025-06-05T16:50:23Z)
• PTEENet: Post-Trained Early-Exit Neural Networks Augmentation for Inference Cost Optimization [0.0]
  本稿では,DNNフィードフォワード推論プロセスに「ショートカット」を導入する手法について述べる。 提案手法は、前述した BranchyNet (Teerapittayanon et al., 2016) とEEnet (Demir, 2016) アーキテクチャに基づいて、メインネットワークとアーリーエグジットブランチを共同でトレーニングする。 これらの信頼度拡張の調整しきい値を定義することで、各ブランチから流出するデータの量と、モデルの速度と精度の全体的なトレードオフをリアルタイムで制御できる。
  論文  参考訳（メタデータ） (2025-01-05T11:35:08Z)
• Enhancing Dropout-based Bayesian Neural Networks with Multi-Exit on FPGA [20.629635991749808]
  本稿では,フィールドプログラマブルゲートアレイ(FPGA)ベースのアクセラレータを効率よく生成するアルゴリズムとハードウェアの共同設計フレームワークを提案する。 アルゴリズムレベルでは、計算とメモリのオーバーヘッドを低減した、新しいマルチエグジット・ドロップアウトベースのベイズNNを提案する。 ハードウェアレベルでは,提案する効率的なベイズNNのためのFPGAベースのアクセラレータを生成するための変換フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-20T17:08:42Z)
• ApproxTrain: Fast Simulation of Approximate Multipliers for DNN Training and Inference [4.386709201336175]
  ハードウェア近似は、推論加速器の資源効率向上に有効であることを示した。 本稿では,擬似近似乗算器を用いたトレーニング推論を高速に評価できるオープンソースのフレームワークであるApproxTrainを提案する。
  論文  参考訳（メタデータ） (2022-09-09T07:42:05Z)
• Receptive Field-based Segmentation for Distributed CNN Inference Acceleration in Collaborative Edge Computing [93.67044879636093]
  協調エッジコンピューティングネットワークにおける分散畳み込みニューラルネットワーク(CNN)を用いた推論高速化について検討する。 我々は,CNNモデルを複数の畳み込み層に分割するために,融合層並列化を用いた新しい協調エッジコンピューティングを提案する。
  論文  参考訳（メタデータ） (2022-07-22T18:38:11Z)
• REx: Data-Free Residual Quantization Error Expansion [32.87131159997359]
  ディープニューラルネットワーク(DNN)はコンピュータビジョンや自然言語処理においてユビキタスであるが、高い推論コストに悩まされている。 プライバシの権利に関する懸念が高まる中、私たちはデータフリーな方法に注力しています。 本稿では,残差展開とグループ間隔,アンサンブル近似を併用した並列化手法RExを提案する。
  論文  参考訳（メタデータ） (2022-03-28T11:04:45Z)
• AdaPT: Fast Emulation of Approximate DNN Accelerators in PyTorch [4.445835362642506]
  我々は PyTorch を拡張した高速エミュレーションフレームワーク AdaPT を提案する。 ビット幅の異なる多数の近似乗算器に対して, CNN, LSTM, GANを含むいくつかのDNNモデルおよびアプリケーションフィールド上でのフレームワークの評価を行った。 その結果、近似的な再学習からかなりの誤差回復と、ベースライン近似実装に関する推論時間を最大53.9倍に短縮した。
  論文  参考訳（メタデータ） (2022-03-08T13:31:16Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)

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。