.png){kind=icon}
返回
Concurrent Classifier Error Detection (CCED) in Large Scale Machine Learning Systems
.png){kind=icon}
OA
AI
DOI：10.1109/TR.2024.3355408.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习 (ML) 系统的复杂性每年都在增加。随着这些系统的广泛使用，确保其可靠运行已成为设计要求。传统的错误检测机制引入了显著影响系统性能的电路或时间冗余。一种替代方法是使用并发错误检测 (CED) 方案，该方案与系统并行操作并利用其属性来检测错误。CED对于大型ML系统很有吸引力，因为它可以潜在地降低错误检测的成本。在本文中，我们介绍了并发分类器错误检测 (CCED)，这是一种在使用并发ML分类器检测错误的ML系统中实现CED的方案。CCED识别主ML系统中的一组检查信号，并将其馈送到经过训练以检测错误的并发ML分类器。所提出的CCED方案已经在两个广泛使用的大规模ML模型上实现和评估: 用于图像分类的对比语言图像预训练 (CLIP) 和用于自然语言应用的变压器 (BERT) 的双向编码器表示。结果表明，当使用比CLIP或BERT简单几个数量级的简单随机森林分类器时，检测到超过95% 的错误。
Keyword:
Bidirectional encoder representations from transformers (BERT)
concurrent error detection (CED)
contrastive language-image pretraining (CLIP)
machine learning (ML)
soft errors
期刊
IF:
5.7
论文数:
2.7K
被引数:
8.5K
机构
引用论文
.png){kind=icon}
On the Properness of Incorporating Binary Classification Machine Learning Algorithms Into Safety-Critical Systems关于将二进制分类机器学习算法纳入安全关键系统的正确性OAAI
OAAI分享收藏Do Perceptions of Competence Mediate The Relationship Between Fundamental Motor Skill Proficiency and Physical Activity Levels of Children in Kindergarten?能力的感知是否可以介导幼儿园儿童的基本运动技能熟练程度与身体活动水平之间的关系？
PREAI
分享收藏
查看更多内容