Resiliência do Classificador de N-Upla Wisard
Authors:
Autores
| Person role | Person | |
|---|---|---|
|
6737 |
131,3015
|
|
|
6736 |
131,3015
|
Informations:
Pesc publication
Conforme as tecnologias de aprendizado vão avançando e ganhando mais espaço na sociedade moderna, se torna mais importante garantir que estas não falhem de forma invisível. Considerando que os hardwares atuais são propícios a falhas em determinadas situações, tanto de execução quanto devido a condições ambientais, é importante analisar o impacto que estas falhas podem provocar em um modelo já implementado. Considerando isso, buscamos analisar neste trabalho o efeito de diversos tipos de erro sobre o desempenho do modelo de rede sem pesos WiSARD. O foco do trabalho está na avaliação impacto de erros do tipo bit-flip em diversas partes da WiSARD, principalmente nos parâmetros treinados do modelo e como este erros se comparam ao de outros tipos de erro. Considerando hiper-parâmetros de rede e pré-processamento fixos, são medidas as quedas de acurácia do modelo para sete conjuntos de dados, usando diferentes taxas de injeção de erro e padrões de erro.
Just as machine learning technologies are advancing and gaining more space in modern society, it becomes more important to warrant these do not fail without warning. Considering that today’s hardware is prone to failure or error under certain under certain conditions, execution errors as well as errors due to environmental conditions, it becomes important to analyse the impact these errors might have over an already implemented model. Considering this, in this workwe seek to analyse the effects of different types of error over theWiSARD weightless neural network model’s performance. This work is focussed on bit-flip errors in different parts of the WiSARD network, with special attention to errors in themodel’s trained parameters and how this kind of error compares with others. For fixed network hyperparameters and preprocessing procedures, the accuracy drop of the model is taken for seven different datasets, considering different error injection rates and error patterns.