Use este identificador para citar ou linkar para este item: http://hdl.handle.net/11422/14066
Tipo: Dissertação
Título: Resiliência do classificador de n-upla WiSARD
Título(s) alternativo(s): The robustness of the WiSARD n-tuple classifier
Autor(es)/Inventor(es): Souza, Bernardo Cid Killer Soares de
Orientador: França, Felipe Maia Galvão
Resumo: Conforme as tecnologias de aprendizado vão avançando e ganhando mais espaço na sociedade moderna, se torna mais importante garantir que estas não falhem de forma invisível. Considerando que os hardwares atuais são propícios a falhas em determinadas situações, tanto de execução quanto devido a condições ambientais, é importante analisar o impacto que estas falhas podem provocar em um modelo já implementado. Considerando isso, buscamos analisar neste trabalho o efeito de diversos tipos de erro sobre o desempenho do modelo de rede sem pesos WiSARD. O foco do trabalho está na avaliação impacto de erros do tipo bit-flip em diversas partes da WiSARD, principalmente nos parâmetros treinados do modelo e como este erros se comparam ao de outros tipos de erro. Considerando hiperparâmetros de rede e préprocessamento fixos, são medidas as quedas de acurácia do modelo para sete conjuntos de dados, usando diferentes taxas de injeção de erro e padrões de erro.
Resumo: Just as machine learning technologies are advancing and gaining more space in modern society, it becomes more important to warrant these do not fail without warning. Considering that today’s hardware is prone to failure or error under certain under certain conditions, execution errors as well as errors due to environmental conditions, it becomes important to analyse the impact these errors might have over an already implemented model. Considering this, in this work we seek to analyse the effects of different types of error over the WiSARD weightless neural network model’s performance. This work is focussed on bit-flip errors in different parts of the WiSARD network, with special attention to errors in the model’s trained parameters and how this kind of error compares with others. For fixed network hyperparameters and preprocessing procedures, the accuracy drop of the model is taken for seven different datasets, considering different error injection rates and error patterns.
Palavras-chave: WiSARD
Error tolerance
Fault injection
Software resilience
Machine learning
Assunto CNPq: CNPQ::ENGENHARIAS
Programa: Programa de Pós-Graduação em Engenharia de Sistemas e Computação
Unidade produtora: Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
Editora: Universidade Federal do Rio de Janeiro
Data de publicação: Mar-2019
País de publicação: Brasil
Idioma da publicação: por
Tipo de acesso: Acesso Aberto
Aparece nas coleções:Engenharia de Sistemas e Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
BernardoCidKillerSoaresDeSouza.pdf6.7 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.