在将深度学习技术应用于医疗诊断和生命信号监测等关键应用时,确保神经网络的公平性,是至关重要的。然而,当在硬件资源有限的平台上,部署这些模型时,维护公平性,变得越来越具有挑战性,因为现有公平感知神经网络设计,通常忽略了资源约束的影响。 今日,美国 诺特丹大学(University of Notre Dame)Yuanbo Guo, Zheyu Yan,Zhenge Jia & Yiyu Shi等,在Nature Electronics上发文,分析了底层硬件对追求公平任务的影响。具有存内计算架构的神经网络加速器作为示例。首先研究了硬件平台和公平感知神经网络设计之间的关系。然后,讨论了新兴存内计算设备的硬件进步——在片上存储容量和设备可变性管理方面——如何影响神经网络的公平性。还确定了在这种资源受限的硬件上,设计公平感知神经网络的挑战,并考虑了克服这些挑战的潜在方法。
Hardware design and the fairness of a neural network.硬件设计和神经网络的公平性。
图1: 神经网络的公平性。
图2: 硬件平台规格与公平性和准确性。
图3: VGG-11模型性能和公平性评分。 文献链接Guo, Y., Yan, Z., Yu, X. et al. Hardware design and the fairness of a neural network. Nat Electron (2024). https://doi.org/10.1038/s41928-024-01213-0https://www.nature.com/articles/s41928-024-01213-0本文译自Nature。
声明:仅代表译者观点,如有不科学之处,请在下方留言指正!
|