ADEPOS：一种用于异常检测系统的新型近似计算框架及其在 65nm CMOS 中的实现
机器学习
2019-12-05 v1 机器学习
摘要
为克服传统 IoT 系统的能量与带宽限制，在传感器节点处进行边缘计算或信息提取已变得流行。然而，当前重要的是创建极低能耗的信息提取或模式识别系统。本文提出一种近似计算方法，以降低一类用于异常检测（例如预测性维护、癫痫发作检测等）的 IoT 系统的计算能耗。我们提出的方法称为基于异常检测的功耗节省（ADEPOS，Anomaly Detection Based Power Savings），其在易于区分健康数据的初始阶段使用低精度计算和低成本神经网络；而在检测到异常时，自适应地提升网络复杂度与计算精度以实现准确预测。我们表明集成方法非常适用于自适应改变网络规模。为验证所提方案，我们在 UMC65nm 工艺下流片了一颗芯片，其包含 MSP430 微处理器以及用于动态电压频率调节的片上开关模式 DC-DC 转换器。使用 NASA 轴承数据集进行机器健康监测，我们表明采用 ADEPOS 可在不损失任何检测精度的前提下实现全生命周期 8.95 倍的能耗节省。该能耗节省源于减少微处理器上神经网络的执行时间。
引用
@article{arxiv.1912.01853,
title = {ADEPOS: A Novel Approximate Computing Framework for Anomaly Detection Systems and its Implementation in 65nm CMOS},
author = {Sumon Kumar Bose and Bapi Kar and Mohendra Roy and Pradeep Kumar Gopalakrishnan and Zhang Lei and Aakash Patil and Arindam Basu},
journal= {arXiv preprint arXiv:1912.01853},
year = {2019}
}
备注
14 pages