2025 SMSI Bannerklein

A1.4 - Deep Neural Network Repräsentation für interpretierbare Machine Learning Algorithmen: Eine Methode zur effizienten Hardware-Beschleunigung

Event
22. GMA/ITG-Fachtagung Sensoren und Messsysteme 2024
2024-06-11 - 2024-06-12
Nürnberg
Band
Vorträge
Chapter
A1 - Maschinelles Lernen
Author(s)
J. Schauer, P. Goodarzi, A. Schütze, T. Universität des Saarlandes - Saarbrücken
Pages
37 - 44
DOI
10.5162/sensoren2024/A1.4
ISBN
978-3-910600-01-0
Price
free

Abstract

Algorithmen für Deep Learning und maschinelles Lernen haben bei verschiedenen Aufgaben, von Bilderkennung und Spracherkennung bis hin zu Zustandsüberwachung und vorausschauender Wartung, gute Ergebnisse erzielt. Allerdings treffen die meisten Algorithmen des Deep Learning keine einfach nachvollziehbaren Entscheidungen. Dadurch haben interpretierbare ML-Algorithmen, auf Basis von Merkmalsextraktion und -selektion, an Aufmerksamkeit gewonnen. Da Hardware-Beschleuniger jedoch häufig ausschließlich neuronale Netze unterstützen, resultiert dies auf Edge-Hardware in einer ineffizienten Implementierung anderer, interpretierbarer Algorithmen und beschränkt den Einsatz dieser Algorithmen. Diese Veröffentlichung präsentiert daher eine Methode, um trainierte Machine Learning Algorithmen als Deep Neural Networks darzustellen, sodass eine Inferenz auf effizienter Edge Hardware für smarte Sensorsysteme ermöglicht wird. Die Methode bricht die interpretierbaren Algorithmen auf ihre grundlegenden mathematischen Operationen herunter, um diese durch Schichten neuronaler Netze darzustellen. Die Methodik wird in der Veröffentlichung im Detail beschrieben, anhand von mehreren Beispielalgorithmen angewandt und auf einer Neural Processing Unit demonstriert.

Download