ApproXAI：基于近似计算的能源高效可解释AI硬件加速
人工智能
2026-01-30 v2 硬件体系结构
摘要
可解释人工智能（XAI）通过将可解释性建模为优化问题来增强AI系统的透明度。然而，这种方法通常需要大量计算密集型运算的迭代，限制了其在实时场景中的适用性。虽然最近的研究聚焦于在FPGA和TPU上实现XAI硬件加速，但这些方法未能充分解决实时设置下的能源效率问题。为此，我们提出XAIedge，一种新型框架，将近似计算技术融入XAI算法，包括集成梯度、模型蒸馏和Shapley分析。XAIedge将这些算法转化为近似矩阵计算，利用卷积、傅里叶变换和近似计算范式之间的协同效应。该方法可在基于TPU的边缘设备上实现高效硬件加速，实现更快的实时结果解释。我们的全面评估表明，XAIedge在维持可 comparable 准确性的同时，相对于现有精确XAI硬件加速技术实现能源效率提升2倍。这些结果凸显了XAIedge在能源受限的实时应用中推动可解释AI部署的潜力。
引用
@article{arxiv.2504.17929,
title = {ApproXAI: Energy-Efficient Hardware Acceleration of Explainable AI using Approximate Computing},
author = {Ayesha Siddique and Khurram Khalil and Khaza Anuarul Hoque},
journal= {arXiv preprint arXiv:2504.17929},
year = {2026}
}
备注
Accepted at the International Joint Conference on Neural Networks (IJCNN), June 30th - July 5th, 2025 in Rome, Italy