NAPER：面向实时资源受限深度神经网络的容错保护
机器学习
2025-08-28 v2 系统与控制
系统与控制
摘要
在资源受限系统上部署的深度神经网络 (DNN) 的容错问题，在高精度应用和严格时间要求下提出独特挑战。存储位翻转会严重降低 DNN 精度，而传统保护方法如三重模块冗余 (TMR) 常以牺牲精度来维持可靠性，在可靠性、精度和时效性之间形成三难。我们提出一种新颖的保护方法 NAPER，通过集成学习解决此挑战。不同于常规冗余方法，NAPER 采用异构模型冗余， diverse models collectively 实现比任何单个模型更高的精度。这一方法配合高效的容错检测机制和实时调度器，通过智能安排恢复操作而不中断推理，优先满足截止时间。我们的评估表明，NAPER 的优势显著：在正常及容错条件下推理速度快 40%，保持的精度比基于 TMR 的策略高出 4.2%，容错恢复期间仍可保证 uninterrupted operation。NAPER 有效平衡了实时 DNN 应用中精度、可靠性和时效性的矛盾需求。
引用
@article{arxiv.2504.06591,
title = {NAPER: Fault Protection for Real-Time Resource-Constrained Deep Neural Networks},
author = {Rian Adam Rajagede and Muhammad Husni Santriaji and Muhammad Arya Fikriansyah and Hilal Hudan Nuha and Yanjie Fu and Yan Solihin},
journal= {arXiv preprint arXiv:2504.06591},
year = {2025}
}
备注
This work has been accepted for publication in IEEE IOLTS 2025. The final published version available via IEEE Xplore