Show simple item record

Evaluando la Resiliencia de Modelos de Deep Learning

dc.date2020-03-27
dc.date.accessioned2020-09-25T23:12:52Z
dc.date.available2020-09-25T23:12:52Z
dc.identifierhttps://revistas.tec.ac.cr/index.php/tec_marcha/article/view/5071
dc.identifier10.18845/tm.v33i5.5071
dc.identifier.urihttps://hdl.handle.net/2238/12065
dc.descriptionDeep 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.descriptionLos 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.formatapplication/pdf
dc.languageeng
dc.publisherEditorial Tecnológica de Costa Rica (entidad editora)es-ES
dc.relationhttps://revistas.tec.ac.cr/index.php/tec_marcha/article/view/5071/4793
dc.sourceTecnología en marcha Journal; 2020: Vol. 33 especial. Contribuciones a la Conferencia 6th Latin America High Performance Computing Conference (CARLA); Pág. 25-30en-US
dc.sourceRevista Tecnología en Marcha; 2020: Vol. 33 especial. Contribuciones a la Conferencia 6th Latin America High Performance Computing Conference (CARLA); Pág. 25-30es-ES
dc.source2215-3241
dc.source0379-3982
dc.subjectResilienceen-US
dc.subjectfault toleranceen-US
dc.subjectdeep learningen-US
dc.subjectfault injectionen-US
dc.subjectResilienciaes-ES
dc.subjecttolerancia a fallases-ES
dc.subjectdeep learninges-ES
dc.subjectinyección de falloses-ES
dc.titleEvaluating Resilience of Deep Learning Modelsen-US
dc.titleEvaluando la Resiliencia de Modelos de Deep Learninges-ES
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion


Files in this item

FilesSizeFormatView

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record