Invocation-driven Neural Approximate Computing with a Multiclass-Classifier and Multiple Approximators

Neural approximate computing gains enormous energy-efficiency at the cost of tolerable quality-loss. A neural approximator can map the input data to output while a classifier determines whether the input data are safe to approximate with quality guarantee. However, existing works cannot maximize the...

Celý popis

Podrobná bibliografie

Vydáno v:	2018 IEEE/ACM International Conference on Computer-Aided Design (ICCAD) s. 1 - 8
Hlavní autoři:	Song, Haiyue, Xu, Chengwen, Xu, Qiang, Song, Zhuoran, Jing, Naifeng, Liang, Xiaoyao, Jiang, Li
Médium:	Konferenční příspěvek
Jazyk:	angličtina
Vydáno:	ACM 01.11.2018
Témata:	Approximate computing Approximation error Artificial neural networks Compounds Computer architecture End-to-end learning Multitask learning Neural network Quality control Training
ISSN:	1558-2434
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!