新兴存储器推理机中复杂度与鲁棒性的权衡评估
神经与进化计算
2020-03-24 v1 机器学习
机器学习
摘要
神经形态式推理只有在有限硬件资源得到充分利用时才能良好工作，例如在面对潜在扰动时准确率随参数与复杂度持续扩展。在这项工作中，我们使用真实的横杆阵列（crossbar）仿真来揭示：深度神经网络的紧凑实现出人意料地容易因多种系统扰动而崩溃。我们的工作提出了一种借助 Mosaics 框架实现高性能与强鲁棒性兼顾的中间路径，具体而言，通过在具有天然抗噪形式的循环神经网络实现中复用突触连接来实现。
引用
@article{arxiv.2003.10396,
title = {Evaluating complexity and resilience trade-offs in emerging memory inference machines},
author = {Christopher H. Bennett and Ryan Dellana and T. Patrick Xiao and Ben Feinberg and Sapan Agarwal and Suma Cardwell and Matthew J. Marinella and William Severa and Brad Aimone},
journal= {arXiv preprint arXiv:2003.10396},
year = {2020}
}