文献

J-GLOBAL ID：201802218524845442   整理番号：18A0845718

分散CNNにおける情報伝達最適化のための圧縮と集約【JST・京大機械翻訳】

Compression and Aggregation for Optimizing Information Transmission in Distributed CNN

著者 (5件)： Mitani Takamasa ,  Fukuoka Hisakazu ,  Hiraga Yuria ,  Nakada Takashi ,  Nakashima Yasuhiko
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： CANDAR  ページ： 112-118  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 現代の深い学習は,性能を著しく改善し,様々な応用に使用されてきた。重い処理コストのために,深い学習のための主要なプラットフォームは,大量の資源を持っている商品コンピュータからクラウドまで移動されてきた。しかしながら,上記の状況は,ネットワークトラフィックの厳しい混雑による応答時間の減速をもたらす。データトラフィックと電力消費の過剰集中を軽減するために,多くの研究者はエッジコンピューティングに注意を払ってきた。著者らは,複数のデバイス上で使用されるDeep Convolution Neural Network(DCNN)を用いた並列処理モデルと,デバイス間のネットワークトラフィックのサイズ縮小に取り組んだ。中間データを圧縮し,ビデオ認識のためのAlexNetにおける分類に用いられる一般的な計算%を集約する手法を提案した。実験により,Zip無損失圧縮は1/24までのデータ量を低減し,HEVC損失圧縮は認識精度の3.5%劣化のみで1/208によりデータ量を低減することを実証した。さらに,一般的計算の凝集は,90%によって30のDCNNsのための計算量を減少させた。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【JST・京大機械翻訳】

シソーラス用語： 応答時間 ,  計算量 ,  電力消費 ,  *最適化 ,  並列処理 ,  モデル ,  コンピュータ ,  録画装置
準シソーラス用語： 認識精度 ,  データ量 ,  無損失圧縮 ,  サイズ縮小 ,  ネットワークトラフィック ,  処理コスト , 【Automatic Indexing@JST】

分類 (1件)： 計算機網  (JC03000K)

タイトルに関連する用語 (4件)： CNN ,  情報伝達 ,  最適化 ,  集約