Mohammad Hasan Ahmadilivani
PulseAugur coverage of Mohammad Hasan Ahmadilivani — every cluster mentioning Mohammad Hasan Ahmadilivani across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的校验和方法增强了边缘设备上CNN的故障检测能力
研究人员开发了一种名为Carry-Through Checksum的新型轻量级故障检测技术，用于边缘应用中的卷积神经网络（CNN）。该方法将校验和嵌入到卷积层中，在整个推理过程中计算和传播校验和，从而以最小的开销实现端到端的错误检测。实验表明，该技术在FP32中可检测到超过95%的关键故障，在FP16中可检测到超过86%的关键故障，而用于缓解的重新执行仅增加了嵌入式GPU上很小的运行时开销。
-
新的 CheckOne 方法提升 Vision Transformer 的可靠性
研究人员开发了一种名为 CheckOne 的新方法，旨在提高 Vision Transformer (ViT) 在安全关键应用中的可靠性。该方法通过提供一种轻量级且对称的保护机制，解决了 ViT 的巨大计算需求。实验表明，与现有的 ViT 算法基础故障容差 (ABFT) 方法相比，CheckOne 可将关键故障的缓解率提高高达 26 倍，并提供约 3.8 倍的性能提升。
-
新方法利用质心增强深度神经网络的容错能力
研究人员开发了一种新颖的以质心（CoG）为导向的权重校正方法，以增强用于安全关键应用的深度神经网络（DNN）的容错能力。该技术通过分析每层内权重的空间特征来恢复损坏的权重，而无需重新训练或更改架构。实验表明，在各种网络（包括基于LSTM的模型如StageNet和MTFNet，以及CNN如ResNet-18和VGG-16）中，即使在高比特错误率下，容错能力也得到了显著提高。
-
新方法提升深度神经网络可靠性，优于 ECC
研究人员开发了两种新颖的方法 MSET 和 CEP，以增强大规模深度学习模型在硬件故障方面的可靠性。MSET 选择性地保护 CNN 和 ViT 参数中最易受影响的位，而 CEP 为所有位提供细粒度保护。与传统的 ECC 方法相比，这两种方法都展示了更高的可靠性，其中 MSET 通过关注其 FP16 和 FP32 表示中的最高指数位，在 ViT 方面显示出特别的潜力。与传统的 ECC 相比，这些新技术提供了显著的可靠性改进，同时具有更低…