TL;DR
- چکیده: سیستمهای پیشرفته کمک راننده (ADAS) برای درک و برنامهریزی به شبکههای عصبی عمیق (DNN) متکی هستند.
- از آنجایی که پارامترهای DNN در حین استنتاج در DRAM قرار دارند،.
- چرخش بیتهای ناشی از تشعشعات کیهانی یا عملکرد ولتاژ پایین ممکن است محاسبات DNN را خراب کند،.
چه اتفاقی افتاد
چکیده: سیستمهای پیشرفته کمک راننده (ADAS) برای درک و برنامهریزی به شبکههای عصبی عمیق (DNN) متکی هستند. از آنجایی که پارامترهای DNN در حین استنتاج در DRAM قرار دارند،.
چرخش بیتهای ناشی از تشعشعات کیهانی یا عملکرد ولتاژ پایین ممکن است محاسبات DNN را خراب کند،. تصمیمات رانندگی را مخدوش کند و منجر به حوادث دنیای واقعی شود.
این مقاله یک چارچوب تزریق خطای آگاه از مکان (STAFI) را برای مکانیابی مکانهای خطای مهم در DNN. برای ADAS ارائه میکند.
از نظر فضایی،. ما یک جستجوی بیت هدایتشده متریک پیشرو (PMBS) را پیشنهاد میکنیم که بهطور کارآمد بیتهای وزن شبکه حیاتی.
را شناسایی میکند که خرابی آنها باعث بزرگترین انحرافات در رفتار رانندگی میشود (بهعنوان مثال،. شتاب یا فرمان ناخواسته).
علاوه بر این،. ما یک مکانیسم شناسایی زمان خطای بحرانی (CFTI) ایجاد میکنیم که تعیین میکند چه زمانی این خطاها را.
با در نظر گرفتن زمینه ایجاد کند. سیستمهای بلادرنگ و وضعیتهای محیطی، برای به حداکثر رساندن تاثیر ایمنی.
آزمایشها بر روی DNN برای یک ADAS تولیدی نشان میدهد که STAFI 29. 56 برابر بیشتر از قویترین خط پایه، خطاهای حیاتی خطرزا را کشف میکند.
رمزنگاری و امنیت (cs. CR)؛ یادگیری ماشینی (cs.
LG) استناد بهعنوان: (یا v1 [cs. CR] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Taibiao Zhao [مشاهده ایمیل] [v1] شنبه،.
4 آوریل 2026،. 14:.
57:. 43 UTC (7,.
284 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.