PulseAugur
中
实时 07:31:30
English(EN) From Arithmetic to Logic: The Resilience of Logic and Lookup-Based Neural Networks Under Parameter Bit-Flips

基于逻辑的神经网络对比特翻转错误表现出韧性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员从理论上分析了神经网络对硬件引起的比特翻转错误的韧性，重点关注结构特性而非仅仅是训练好的解决方案。他们的发现表明，较低的精度、较高的稀疏性、有界的激活函数和较浅的深度有助于提高容错能力。该研究强调，基于逻辑和查找表的神经网络在准确性和韧性之间实现了最佳权衡，与标准浮点模型在损坏下相比表现出更优越的稳定性。 AI

影响 为在具有潜在硬件容错能力的边缘设备上更可靠地部署人工智能指明了方向。

排序理由 关于神经网络鲁棒性的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

基于逻辑的神经网络对比特翻转错误表现出韧性

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Alan T. L. Bacellar, Sathvik Chemudupati, Shashank Nag, Allison Seigler, Priscila M. V. Lima, Felipe M. G. Fran\c{c}a, Lizy K. John ·

    From Arithmetic to Logic: The Resilience of Logic and Lookup-Based Neural Networks Under Parameter Bit-Flips

    arXiv:2603.22770v2 Announce Type: replace-cross Abstract: The deployment of deep neural networks (DNNs) in safety-critical edge environments necessitates robustness against hardware-induced bit-flip errors. While empirical studies indicate that reducing numerical precision can im…

相关实体

相关话题