2024-03-29T06:45:51Zhttps://ipsj.ixsq.nii.ac.jp/ej/?action=repository_oaipmhoai:ipsj.ixsq.nii.ac.jp:001907122023-04-27T10:00:04Z01164:01579:09341:09527
デイープニューロ・ファジィによる偽陰性数の削減とそのFPGA実装に関してA Deep Neuro-Fuzzy for False Negatives Reduction on an FPGAjpnリコンフィギャラブルコンピューティングhttp://id.nii.ac.jp/1001/00190624/Technical Reporthttps://ipsj.ixsq.nii.ac.jp/ej/?action=repository_action_common_download&item_id=190712&item_no=1&attribute_id=1&file_no=1Copyright (c) 2018 by the Institute of Electronics, Information and Communication Engineers This SIG report is only available to those in membership of the SIG.東京工業大学工学院情報通信系東京工業大学工学院情報通信系東京工業大学工学院情報通信系下田, 将之佐藤, 真平中原, 啓貴近年,深層学習は様々な領域に適応され,大きな結果を残している.深層学習を医療分野や工場ラインの検査に適応しようとした場合,異常なデータを異常なしと誤認識するような致命的な誤認識が生じてしまう.これによって,深層学習をそのような分野に適応するには難しいという問題がある.この問題を解決するために,本稿では深層学習とファジィ推論を組み合わせたデイープニューロ ・ ファジィを提案する.ファジィ推論は深層学習が致命的エラーをするかどうかを判定し,発生しないと判定した場合には深層学習の出力をそのまま出力し,発生すると判定した場合には判別不可能と出力する.これによって,致命的エラーの数を減らし,再現率を改善することが目的である.提案手法を UCI データセットから抽出した四つのデータセットに対して適応し,認識精度と再現率の変化を調査した.提案手法を適応したモデルをそれぞれ FPGA へ実装し,付加 HW の面積 ・ 速度オーバーヘッドの調査を行った.その結果,データセットによっては認識精度の低下を抑えつつ再現率を大幅に改善でき,深層学習のみの回路とと大差ない面積 ・ 速度のオーバーヘッドで実現できた.このことから,致命的な誤認識が問題となる状況において本手法は有効であると考える.Recently, deep neural networks (DNNs) are widely used in many areas. However, DNNs cannot be applied to some areas such as medical area, since DNNs often misrecognize when its arbitrary two outputted probabilities are divided evenly. It means that a critical error (e.g., a recognizing malignancy data as benign data) occurs. Therefore, in the medical areas, DNNs are not suitable. To deal with this problem, we propose a deep neuro-fuzzy which consists of a DNN and fuzzy inference. The fuzzy inference judges whether inputs are distinguishable or not from the DNN outputs. If its arbitrary two probabilities are almost the same, fuzzy inference recognizes as indistinguishable to avoid critical error and to improve its recall. From experimental results, compared with typical DNNs, the recall increased by 10.5% in the best case and its area and computation time are almost the same. From these results, it can introduce our proposed system under the situation where it is critical to misrecognize since our proposal realizes recall nearly 100% on benchmark datasets. Compared with typical DNNs, its implementation achieves negligible hardware overhead and performance degradation. Therefore, our proposed system is more suitable for the situations where misrecognition is critical.AN10096105研究報告システム・アーキテクチャ(ARC)2018-ARC-23230162018-07-232188-85742018-07-23