同意停止:可靠的延迟适应性决策通过尖端神经网络集体
Jiechen Chen1, Sangwoo Park1, Osvaldo Simeone1
1KCLIP Laboratory-King's Communications, Learning and Information Processing Laboratory, Department of Engineering, King's College London, London WC2R 2LS, UK.
Entropy (Basel, Switzerland)
|February 23, 2024
概括
集合模型通过增强适应性决策的不确定性量化来改善尖端神经网络 (SNN). 这种方法可靠地减少推理延迟,同时保持准确性保证.
科学领域:
- 计算神经科学是一种神经科学.
- 机器学习 机器学习
背景情况:
- 尖端神经网络 (SNN) 在处理时间序列数据方面提供了效率.
- 在SNN中的自适应延迟决策需要可靠的不确定性估计.
- 合规预测 (CP) 量化了SNN中适应性决策的不确定性.
研究的目的:
- 通过组合模型提高SNN中的不确定性量化.
- 提高SNN推断中早期停止决策的可靠性.
- 为了减少SNN中的平均推断延迟,同时确保决策可靠性.
主要方法:
- 对SNN实施的集体模型.
- 使用变异推理来创建集合.
- 应用p-变量聚合用于集合成员的信息聚合.
- 为提出的方法提供了理论可靠性保证.
主要成果:
- 集合模型显著改善了不确定性量化.
- 拟议的方法提高了停止决定的可靠性.
- 与最先进的方法相比,基于变量推理的集合与p变量聚合减少了平均延迟.
- 保持了适应性延迟决策的理论可靠性保证.
结论:
- 集合方法提供了一个强大的方法来加强SNN的决策.
- 提出的技术有效地平衡了SNN的效率和可靠性.
- 这项工作通过改进的不确定性量化来推进SNN中的适应性延迟推理.


