本研究提出了一种基于多目标学习的多出口深度神经网络推理框架 EENet,以优化在给定推理预算下的早期退出策略。 EENet 早期退出调度程序优化测试样本分配到不同退出,同时选择退出效用阈值,以满足给定的推理预算,同时最大化性能指标。与现有代表性早期退出技术相比,EENet 可以显着提高性能。
Jan, 2023
该研究论文介绍了一种基于类别排除的动态推理方法,通过在中间层分配分类器并利用其学习到的特征排除尽可能多的无关类别,从而显著降低深度神经网络在推理中的计算成本。
Sep, 2023
本研究介绍了一种多输出深度神经网络,它具有提高推理速度、减少过拟合以及利用多层次计算平台的优势,并描述了在 5G 和雾计算环境中的应用场景以及相关的开放式研究问题。
Apr, 2020
通过实验证明,早期退出网络和持续学习之间存在内在的协同作用,强调它们在资源受限环境中的实际效用。
Mar, 2024
本文提出了一种早期预测机制 'Exit Predictor',通过引导某些明显 “困难” 的数据样本绕过早期出口的计算,从而降低设备边缘混合推理系统中早期退出网络的设备计算负担。同时,还考虑了通信带宽的变化,在延迟感知的边缘推理中通过几个简单的回归模型来调整 Exit Predictor 的预测阈值和早期退出网络的置信度阈值,以适应不同带宽条件下推理的需求。实验结果表明,Exit Predictor 对于早期退出网络在准确性和设备计算负担之间取得更好的折衷效果。与基线方法相比,在不同带宽条件下,提出的延迟感知的边缘推理方法具有更高的推理准确性。
Jun, 2022
协作推理系统是在无线网络边缘部署深度神经网络的新兴解决方案之一。本研究工作通过评估不同的传输决策机制,实验证明在无线边缘上适当利用早期退出可以在图像分类任务中提供性能增益和显著的通信节省。
Nov, 2023
大型预训练模型与微调相结合,在机器学习中逐渐成为主要的架构。早期退出动态神经网络(EDNN)通过允许模型从中间层进行预测(即早期退出),绕过了每个推理所需的资源过多的限制。我们提出了一种连接这两个模块的新型架构,这在分类数据集上带来了显著的性能提升,并且具有更好的不确定性特征。
Oct, 2023
通过自适应选取深度神经网络组件或网络进行评估,可以在不损失准确性的情况下,显著减少计算时间,例如在 ImageNet 图像识别挑战中,最多可加速 2.8 倍,并且仅有最高 5 个命中率的轻微损失。
Feb, 2017
本文提出了一种名为 HAPI 的新方法,通过在推理阶段与早期退出策略一起优化中间退出的放置位置,实现了高性能的早期退出网络生成。通过设计空间探索算法,我们提出了一种在各种延迟预算下始终优于其他搜索机制和最先进的早期退出方案的系统,它在强制嵌入式设备的延迟驱动 SLAs 的速度上提供了高效的方案。
Aug, 2020
通过专家侧支分支在边缘检测图像扭曲类型并根据该类型选择正确的侧支分支来执行推理的方法提高了边缘推理的估计精度,改善了边缘卸载决策。
Aug, 2021