Centrala begrepp
딥 시프트 신경망의 성능을 최대화하고 자원 소비를 최소화하기 위해 다목적 최적화와 다중 충실도 기법을 결합한 접근법을 제안한다.
Sammanfattning
이 연구는 딥 러닝(DL) 모델의 계산 요구량이 환경과 자원에 미치는 영향을 해결하기 위해 제안되었다. 딥 시프트 신경망(DSNN)은 시프트 연산을 활용하여 추론 시 계산 복잡성을 줄일 수 있는 솔루션을 제공한다.
연구진은 DSNN의 성능을 최대화하고 자원 소비를 최소화하기 위해 자동화된 기계 학습(AutoML) 기법을 활용했다. 다중 충실도(MF) 하이퍼파라미터 최적화(HPO)와 다목적 최적화(MO) 기법을 결합하여 정확도와 에너지 소비 간의 최적의 균형을 찾고자 했다.
실험 결과, 제안된 접근법을 통해 80% 이상의 정확도와 낮은 계산 비용을 가진 모델을 개발할 수 있었다. 이를 통해 효율적인 모델 개발을 가속화하고 지속 가능한 AI 애플리케이션을 구현할 수 있음을 보여주었다.
Statistik
제안된 DSNN 모델 구성에서 정확도는 83.50%이고 이산화탄소 배출량은 0.1661 gCO2eq이다.
다른 DSNN 모델 구성에서 정확도는 84.67%이고 이산화탄소 배출량은 0.1673 gCO2eq이다.
Citat
"딥 러닝(DL)은 대규모 데이터셋에서 복잡한 패턴을 추출하는 데 도움이 되었지만, DL 모델의 계산 요구량은 환경과 자원에 부담을 주고 있다."
"딥 시프트 신경망(DSNN)은 시프트 연산을 활용하여 전통적인 딥 러닝 모델에 비해 전력 소비를 크게 줄일 수 있다."