May, 2023

深度神经网络硬件可靠性评估方法的系统文献综述

PDF
TL;DR本文通过系统性文献综述的方式，对深度神经网络的可靠性评估方法进行了归纳总结，提出了故障注入、分析以及混合方法等三种可靠性评估方法，评估了这些方法的优缺点和应用场景，同时也指出了目前研究中存在的问题和挑战。
发现论文，激发创造
  • 深度学习应用的弹性：分析和强化技术的系统调查

    机器学习（ML）是一种有效的人工智能（AI）技术，正在广泛应用于多个领域，作者通过对 163 篇科学文章的综述研究，系统地调查了深度学习（ML 技术之一）对硬件错误的弹性，明确阐述了这一文献流的优势和不足，并提出了未来的研究方向。

    Sep, 2023

  • 机器学习系统可靠性的整体评估

    该研究提出了一个综合评估机器学习系统可靠性的方法，侧重考虑诸如敌对攻击、性能下降以及算法技术等方面的问题，并对 500 多个模型进行了分析，为未来的研究和发展提供了指导。

    Jul, 2023

  • SAFFIRA: 用于评估基于 Systolic-Array 的 DNN 加速器可靠性的框架

    为 Systolic 阵列硬件加速器引入了一种新的层次化基于软件的硬件感知的故障注入策略，以解决可靠性评估的时间效率问题。

    Mar, 2024

  • 科学和深度学习中的可靠性与解释性

    通过深入的认识深度神经网络模型与传统科学模型之间的差异以及对可靠性评估可能产生的影响，本文强调了模型的假设的普遍作用和认识复杂性与可解释性之间的紧密关系，并提出了一些潜在的解决途径。

    Jan, 2024

  • 从数据分布和不确定性的角度探讨人工智能系统风险评估的初步研究

    本文从数据分布和不确定性的角度提出了一个分析 AI 系统的框架，并通过大规模实验和深入调查达成了几个对更深入研究 AI 系统的需求和机会的关键发现。

    Dec, 2022

  • 仪器与控制系统中集成的机器学习方法的动态模型无关可信度评估

    通过将数据监督引入机器学习预测模型，我们提出了一种实时模型无关的方法，评估机器学习预测的相对可靠性，并通过针对操作数据集与训练数据集之间的差异来计算预测的相对可靠性，用以支持机器学习预测在常规插值任务中的可信度。

    Aug, 2023

  • 特别会议：DNN 加速器的逼近和容错性

    本文研究了 DNN 加速器的逼近计算和容错能力，提出使用逼近算术电路代替昂贵的故障注入检测，并开发了 GPU 模拟方法，同时通过网络故障的传播和掩蔽来实现精细化容错分析

    May, 2023

  • SAfER: 高效稳健的神经网络推理的层级敏感性评估

    深度神经网络在计算机视觉任务中表现出色，但对于关键应用，需要研究它们的行为和决策原因。本文提出了调查 DNN 层次重要性的方法，旨在估算其对准确性的敏感性，并提出了用于评估该方法的新数据集，为提高 DNN 效率和硬件故障鲁棒性（如位交换）提供了参考。

    Aug, 2023

  • 安全关键任务的可靠神经网络

    本文提出了一种机器学习可靠性指标，可以评估神经网络在不同的操作条件下的成功概率，并通过设计安全功能来减少有害失效，同时在维持高成功概率的前提下，在机器人操纵任务中进行了实际应用测试。

    Dec, 2019

  • 基于深度强化学习的控制的可靠性量化

    应用随机噪声提取方法和神经网络结构，在深度强化学习控制中提出一种可靠性量化方法，通过对两个神经网络的输出差异进行评估，改进了 DRL 控制性能和模型切换的问题。

    Sep, 2023