文献

J-GLOBAL ID：202002279436224960   整理番号：20A2738818

エッジコンピューティングを用いた効率的な分割/分散ニューラルネットワークモデルの構築

Construction of an Efficient Divided/Distributed Neural Network Model Using Edge Computing

著者 (6件)： SHINGAI Ryuta (Nara Institutet of Science and Technology) ,  HIRAGA Yuria (Nara Institutet of Science and Technology) ,  FUKUOKA Hisakazu (Nara Institutet of Science and Technology) ,  MITANI Takamasa (Nara Institutet of Science and Technology) ,  NAKADA Takashi (Nara Institutet of Science and Technology) ,  NAKASHIMA Yasuhiko (Nara Institutet of Science and Technology)
資料名： IEICE Transactions on Information and Systems (Web)  (IEICE Transactions on Information and Systems (Web))
巻： E103.D  号： 10  ページ： 2072-2082(J-STAGE)  発行年： 2020年 
JST資料番号： U0469A  ISSN： 1745-1361  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 英語 (EN)

抄録/ポイント： 最新の深層学習は性能を著しく改善し,多様なアプリケーションで使用されている。ニューラルネットワークの推論プロセスに必要な計算量は大きいので,監視カメラのようなデータ収集位置ではなく,データセンタに搭載された豊富な計算力を持つサーバによって処理される。エッジコンピューティングは,この問題を解決するためにかなり注目されている。しかし,エッジコンピューティングは限られた計算資源のみを提供できる。したがって,エッジデバイスとサーバの両方を用いて分割/分散ニューラルネットワークモデルを仮定した。エッジ上の畳み込み層の処理部分によって,通信量はセンサデータのそれより小さくなる。本論文では,Wi-Fi,3Gおよび5G通信による分散環境および推定FPS値に関するAlexNetおよび他の8つのモデルを評価した。通信コストを減らすために,通信の前に圧縮プロセスを導入した。この圧縮は物体認識精度を劣化させる可能性がある。必要条件として,FPSを30またはより速く,物体認識精度を69.7%以上に設定した。この値はニューラルネットワークの活性化を二値化する近似モデルに基づいて決定される。必要条件を満足しながら最小エネルギーを消費する最適構成を見つけるために,性能とエネルギーモデルを構築した。総合評価を通して,著者らは,全て9つのモデルの最適構成を見つけた。AlexNetのような小さなモデルに対して,エッジで全モデルを処理することは最良であった。他方,VGG16のような巨大なモデルに対して,サーバで全モデルを処理することは最良であった。中規模モデルに対して,分散モデルは良い候補であった。著者らは,このモデルが,FPSと精度要求を満たしながら,最もエネルギー効率の高い構成を見出し,分散モデルは,エネルギー消費を48.6%まで,そして平均で6.6%まで首尾よく削減することを確認した。また,HEVC圧縮は,入力データまたは分散推論プロセス間の特徴データを転送する前に重要であることも見出した。(翻訳著者抄録)

シソーラス用語： *計算機網 ,  *計算機アーキテクチャ ,  *ニューラルネットワーク ,  推論 ,  計算量 ,  計算機システム ,  資源 ,  データ圧縮 ,  精度 ,  IEC規格 ,  ISO規格 ,  エネルギー効率 ,  エネルギー消費 ,  *エッジコンピューティング ,  *分散アーキテクチャ ,  サーバ【計算機】 ,  *神経回路網モデル ,  H.265/HEVC
準シソーラス用語： *ニューラルネットワークモデル ,  計算資源 ,  認識精度 ,  HEVC

著者キーワード (4件)： 畳込みニューラルネットワーク ,  エッジコンピューティング ,  分散ニューラルネットワーク ,  ビデオ圧縮

分類 (2件)： ディジタル計算機方式一般  (JC02010O) ,  計算機網  (JC03000K)

引用文献 (23件)：

• [1] O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein, A.C. Berg, and L. Fei-Fei, “ImageNet Large Scale Visual Recognition Challenge,” International Journal of Computer Vision (IJCV), vol.115, no.3, pp.211-252, 2015. 10.1007/s11263-015-0816-y
• [2] A. Krizhevsky, I. Sutskever, and G.E. Hinton, “ImageNet classification with deep convolutional neural networks,” Advances in Neural Information Processing Systems 25, pp.1097-1105, 2012.
• [3] K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” CoRR, vol.abs/1409.1556, 2014. [Online]. Available: http://arxiv.org/abs/1409.1556
• [4] F. Wortmann and K. Fluchter, “Internet of Things,” Business & Information Systems Engineering, vol.57, no.3, pp.221-224, 2015. 10.1007/s12599-015-0383-3
• [5] Y.C. Hu, M. Patel, D. Sabella, N. Sprecher, and V. Young, “Mobile edge computing-a key technology towards 5g,” ETSI White Paper, vol.11, no.11, pp.1-16, 2015.

タイトルに関連する用語 (3件)： エッジコンピューティング ,  ニューラルネットワークモデル ,  構築