Mostrar el registro sencillo del ítem
Evaluating Resilience of Deep Learning Models
Evaluando la Resiliencia de Modelos de Deep Learning
dc.date | 2020-03-27 | |
dc.date.accessioned | 2020-09-25T23:12:52Z | |
dc.date.available | 2020-09-25T23:12:52Z | |
dc.identifier | https://revistas.tec.ac.cr/index.php/tec_marcha/article/view/5071 | |
dc.identifier | 10.18845/tm.v33i5.5071 | |
dc.identifier.uri | https://hdl.handle.net/2238/12065 | |
dc.description | Deep learning applications have become a valuable tool to solve complex problems in many critical areas. It is important to provide reliability on the outputs of those applications, even if failures occur during execution. In this paper, we present a reliability evaluation of three deep learning models. We use an ImageNet dataset and a homebrew fault injector to make all the tests. The results show there is a difference in failure sensitivity among the models. Also, there are models that despite an increase in the failure rate can keep the resulting error values low. | en-US |
dc.description | Los modelos de Aprendizaje Profundo se han convertido en una valiosa herramienta para resolver problemas complejos en muchas áreas críticas. Es importante proveer confiabilidad en las salidas de la ejecución de estos modelos, aún si se producen fallos durante la ejecución. En este artículo presentamos la evaluación de la confiabilidad de tres modelos de aprendizaje profundo. Usamos un conjunto de datos de ImageNet y desarrollamos un inyector de fallos para realizar las pruebas. Los resultados muestran que entre los modelos hay una diferencia en la sensibilidad a los fallos. Además, hay modelos que a pesar del incremento en la tasa de fallos pueden mantener bajos los valores de error. | es-ES |
dc.format | application/pdf | |
dc.language | eng | |
dc.publisher | Editorial Tecnológica de Costa Rica (entidad editora) | es-ES |
dc.relation | https://revistas.tec.ac.cr/index.php/tec_marcha/article/view/5071/4793 | |
dc.source | Tecnología en marcha Journal; 2020: Vol. 33 especial. Contribuciones a la Conferencia 6th Latin America High Performance Computing Conference (CARLA); Pág. 25-30 | en-US |
dc.source | Revista Tecnología en Marcha; 2020: Vol. 33 especial. Contribuciones a la Conferencia 6th Latin America High Performance Computing Conference (CARLA); Pág. 25-30 | es-ES |
dc.source | 2215-3241 | |
dc.source | 0379-3982 | |
dc.subject | Resilience | en-US |
dc.subject | fault tolerance | en-US |
dc.subject | deep learning | en-US |
dc.subject | fault injection | en-US |
dc.subject | Resiliencia | es-ES |
dc.subject | tolerancia a fallas | es-ES |
dc.subject | deep learning | es-ES |
dc.subject | inyección de fallos | es-ES |
dc.title | Evaluating Resilience of Deep Learning Models | en-US |
dc.title | Evaluando la Resiliencia de Modelos de Deep Learning | es-ES |
dc.type | info:eu-repo/semantics/article | |
dc.type | info:eu-repo/semantics/publishedVersion |
Ficheros en el ítem
Ficheros | Tamaño | Formato | Ver |
---|---|---|---|
No hay ficheros asociados a este ítem. |
Este ítem aparece en la(s) siguiente(s) colección(ones)
-
Tecnología en Marcha [2043]
Es una revista que se publica por trimestres