面向CPS安全优化的基于控制器感知的神经网络剪枝技术

《ACM Transactions on Cyber-Physical Systems》：Controller-aware Perception Neural Network Pruning for CPS Safety Optimization

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

传统的神经网络架构剪枝方法主要关注推理精度与计算成本（例如FLOPs）之间的权衡，而没有考虑系统级行为。在网络物理系统领域，感知模型以及依赖其输出的下游控制器通常是独立设计的。在本文中，我们研究了神经网络架构剪枝策略与利用这些推理输出的控制器之间的联合设计方法。我们提出了两项关键创新：（i）将系统级安全指标纳入剪枝优化流程；（ii）一种基于回归的缩放律方法，可有效描述剪枝比例与系统级安全结果之间的关系。这种方法能够在系统级约束的指导下快速进行剪枝，避免了那种仅关注局部精度或延迟指标的穷举搜索或传统神经网络架构搜索方法的低效率。我们在用于距离估计的控制系统中部署的基于YOLO的感知模型上验证了我们的方法。据我们所知，这是首项针对基于YOLO的感知模型引入缩放律引导式剪枝方法的研究，为具备安全意识的、基于机器学习的系统物理系统提供了原理性的设计自动化框架。

AI总结

AI生成的总结（实验性）

该总结是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章相关性，以及让相关领域的读者理解本文内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的主要总结。完整文章才是最具权威性的版本。点击此处了解更多。

点击此处，可以对该总结的准确性、清晰度及实用性发表意见。您的反馈将有助于进一步优化和生成后续版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。