Apr, 2024

跳过基准：使用生成机器学习生成系统级高级综合数据

PDF
TL;DR该论文提出了一种名为 Vaegan 的新方法，利用生成式机器学习生成足够强大以支持复杂系统级高级综合设计空间探索实验的合成数据，该方法使用变分自动编码器（VAE）和生成对抗网络（GAN）来进行任务，并使用先进的数据集和度量标准对方法进行评估，与之前的工作进行比较，表明 Vaegan 可以有效生成与真实数据分布接近的合成高级综合设计空间数据。
发现论文，激发创造
  • AutoHLS: 学习加速高层次综合设计的设计空间探索

    AutoHLS 是一种将深度神经网络（DNN）与贝叶斯优化（BO）相结合的新型框架，用于加速高级综合（HLS）硬件设计优化，通过整合 DNNs 来预测在给定 FPGA 资源预算内的可合成性，实验证明其在探索时间上可达到 70 倍的加速。

    Mar, 2024

  • 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

  • HLSFactory: 提升高级合成数据集的框架，面向机器学习和更多应用

    机器学习在高级综合流程中的应用及其对质量结果预测、设计空间探索方面的影响。同时，提出了 HLSFactory 框架，通过设计空间扩展、设计合成和数据聚合等三个阶段来管理高质量的 HLS 设计数据集。

    May, 2024

  • 智能家居能源管理：VAE-GAN 合成数据集生成器和 Q 学习

    本文介绍了一种基于 VAE-GAN 的生成模型技术以产生智能家居能源消耗的时间序列数据，并探讨了当生成模型与基于 Q 学习的 HEMS 相结合时的性能。实验结果表明，基于 VAE-GAN 生成的合成数据与真实数据分布非常接近，并且可以产生比基准方法更高性能的基于 Q 学习的 HEMS。

    May, 2023

  • 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

  • 生成式对抗网络实现的深度语义哈希

    本文介绍了一种基于 GANs 的新型监督哈希方法 Deep Semantic Hashing，通过针对大规模图像检索任务，利用半监督生成对抗网络在非标注大规模图像数据集和少量标注数据集的基础上生成高质量的综合数据，以此提升哈希搜索技术的效果和精度。实验证明，该方法比当前的深度哈希模型有着更好的效果。

    Apr, 2018

  • 基于数据驱动的离线签名验证的深度生成性攻击与对抗措施

    通过使用深度生成模型进行生成性攻击，本文探讨了其对数据驱动的签名验证 (DASV) 过程的影响，并提出了切实可行且可解释的对策。通过使用 Variational Auto-encoder (VAE) 和 Conditional Generative Adversarial Networks (CGAN) 来生成可以成功欺骗 DASV 的签名，并通过使用结构相似性指数测量 (SSIM) 评估生成图像的质量，并使用该指标来解释攻击的成功率。最后，提出了有效减少 DASV 的深度生成攻击影响的对策。

    Dec, 2023

  • 智能家居中用于合成数据生成的变分自编码生成对抗网络

    本文提出 VAE-GAN 作为智能电网数据生成模型，能够学习各种数据类型分布并从同一分布生成逼真的样本。实验结果显示，该模型的合成数据比 Vanilla GAN 网络更接近真实数据分布。

    Jan, 2022

  • 合成数据，真实误差：如何（不）发布和使用合成数据

    本文介绍了通过生成模型生成合成数据，并探讨了生成模型对下游机器学习任务的影响。提出了 Deep Generative Ensemble (DGE) 框架，该框架可以学习生成过程模型参数的后验分布，从而在模型训练、评估和不确定性量化方面取得了显著的改进，特别对于稀有类别和原始数据的低密度区域。

    May, 2023

  • 工业系统生成的元生成框架

    本文提出了一个基于工业系统的使用案例，用于评估和比较不同广泛的 Deep Generative Models 框架，同时提出了一种能够生成控制潜在设计约束的多组分工业系统的 Meta-VAE 模型。

    Jun, 2023