文献

J-GLOBAL ID：202202259844437208   整理番号：22A0788996

FT-DeepNets:カーネルベース重複を持つフォールトトレラント畳込みニューラルネットワーク【JST・京大機械翻訳】

FT-DeepNets: Fault-Tolerant Convolutional Neural Networks with Kernel-based Duplication

著者 (5件)： Baek Iljoo (Carnegie Mellon University) ,  Chen Wei (Purdue University) ,  Zhu Zhihao (Carnegie Mellon University) ,  Samii Soheil (Motional / Linkoeping University) ,  Rajkumar Ragunathan Raj (Carnegie Mellon University)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： WACV  ページ： 1878-1887  発行年： 2022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： 深層ニューラルネットワーク(ディープネット)アプリケーションは自律車両(AV)のような安全クリティカルシステムにおいて重要な役割を果たす。AVは,その destination先に向かって安全に駆動し,障害物を回避し,車両が停止しなければならないとき,迅速に応答する。これらの深いネットアプリケーションにおけるソフトウェア計算またはハードウェアメモリにおける任意の過渡誤りは,潜在的に不正確な結果に導く可能性がある。したがって,任意の過渡誤差を評価し,軽減し,ロバストな結果を提供することは,安全クリティカルシステムにとって重要である。この主題に関する以前の研究は,誤差を検出し,次に,ネットワークを再実行することによって誤差から回復する。他の手法は,各モデルの利点を活用することによってシステムフォールトトレランスをブーストするためのアンサンブル学習ベースアプローチのような完全ネットワーク重複の程度に基づいた。しかし,深いニューラルネットワークにおける誤差を検出するのは困難であり,完全な冗長性の計算オーバヘッドは,実質的であった。最初に,深いネットにおける誤差タイプと位置の影響を研究した。次に,ニューロン間の重要度の次数を測定するために,複数のランキング法を用いてどの部分が重複すべきかの選択に焦点を当てた。計算およびメモリのための重複オーバヘッドは,アルゴリズム性能とロバスト性の間のトレードオフであった。より少ないシステムオーバヘッドでより高いロバスト性を達成するために,著者らは,臨界ニューロンからネットワークの一部を複製するだけの2つのエラー保護機構を提示する。最後に,著者らのアプローチの実用可能性を実証し,誤差の存在における深いネットの精度の改善を評価した。自動車OEMsによって使用されたNvidia GeForce RTX 2070Ti GPUとNvidia Xavier埋込みプラットフォームに関する実世界アプリケーションによる事例研究を用いて,これらの結果を実証した。Copyright 2022 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： アルゴリズム ,  記憶装置 ,  自動車 ,  *ネットワーク ,  ニューロン ,  *ニューラルネットワーク ,  臨界 ,  応用プログラム ,  ハードウェア ,  ソフトウェア ,  事例研究 ,  *フォールトトレランス ,  ロバスト性
準シソーラス用語： アンサンブル学習 ,  オーバヘッド , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： カーネル ,  フォールトトレラント ,  畳込みニューラルネットワーク