Aug, 2023

用于芯片设计中高效逻辑综合的电路领域泛化框架

PDF
TL;DR提出了一种新的数据驱动型逻辑综合运算符模型，名为 PruneX，用于减少无效转换并解决逻辑综合中的 OOD 问题。通过集成 PruneX 与现有的 Resub 和 Mfs2 运算符，实验证明 PruneX 在工业和大规模电路上显著提高效率，同时保持可比较的优化性能，加速运行时间高达 3.1 倍。
发现论文，激发创造
  • 高层综合下的电子设计自动化的跨模态程序表示学习

    通过深度和精细的方式，结合源代码序列模式和图模式的相互作用，自动预测高级综合设计的质量，并在设计空间探索任务中获得显著性能改进。

    Jun, 2024

  • 不是所有的票务都是平等的，我们明白：借助领域特定知识指导剪枝

    通过使用特定领域的结构信息，我们提出了 DASH 修剪算法，并在学习动态基因调控网络模型的任务中展示了其在提供与生物学相关的数据洞察力方面的效果优于竞争方法。

    Mar, 2024

  • ProgSG：电子设计自动化程序跨模态表示学习

    该论文提出了一种名为 ProgSG 的方法，结合源代码序列模态和图模态，实现深入和精细的互动，以促进领域特定加速器（DSAs）的自动化设计并解决现有高级综合工具需要进行微体系结构决策的问题。

    May, 2023

  • 边缘修剪中的 Transformer 电路寻找

    自动电路发现的一种有效且可扩展的解决方案是基于优化问题的边缘修剪，该方法在 GPT-2 模型中找到使用少于一半边缘的电路，并与之前的方法在速度和质量上表现出优势。

    Jun, 2024

  • 学习生成用于域泛化的新领域

    本文主要探讨如何通过数据生成器来增加多个源域的多样性提高领域泛化能力，在使用了最优传输的分布偏差模型和循环一致性和分类损失的数据生成器模型中，我们的 L2A-OT（学习通过最优传输增广）方法在四个基准数据集中表现优于当前最先进的 DG 方法。

    Jul, 2020

  • 剪枝以实现更好的领域通用性

    本文研究：剪枝是否可靠地提升模型的泛化能力。我们发现现有剪枝方法像 L2 已经可以在目标域性能上提供小的改进。我们进一步提出了一种被称为 DSS 的新的剪枝评分方法，旨在直接提高模型的鲁棒性。通过实证实验，我们验证了我们的方法，并表明它可以与最先进的泛化工作（如 MIRO）相结合，进一步提高性能。在 MNIST 到 MNIST-M 上，我们可以通过将 60％通道稀疏引入模型来提高基线性能 5 个点以上。在 DomainBed 基准和最先进的 MIRO 上，我们只需将 10％稀疏引入模型即可进一步提高其性能。

    Jun, 2023

  • 基于数据增强的图形 OOD 泛化中注意标签偏移

    LiSA 通过生成标签不变增强的方式解决了图神经网络中图结构编辑带来的标签转换问题，实现了一致且多样化的预测关系来方便图结构的 OOD 泛化。

    Mar, 2023

  • 图形在分布偏移下的泛化

    通过引入图学习不变领域生成（GLIDER）的新框架，本文在节点级别的属性分布和拓扑结构分布的共同分布转变的情境下，实现了优于基准方法的节点级别 OOD 广义化跨域模型。

    Mar, 2024

  • SFP: 针对虚假特征的剪枝用于跨分布泛化

    本文提出了一种新的模型剪枝框架 SFP，能够自动探索不变的子结构，以实现最佳的 OOD 泛化，并且还通过详细的理论分析提供了合理性保证和证明框架，揭示了高度偏差的数据分布如何影响模型的 OOD 泛化。

    May, 2023

  • FPGA 资源感知的实时神经网络结构剪枝

    通过硬件为中心的修剪公式，我们在神经网络中减少了计算和存储的使用，并在实时推理中取得了显著的资源利用率改进。

    Aug, 2023