Adaptation of MobileNetV2 for Face Detection on Ultra-Low Power Platform
CSEM（瑞士电子与微技术中心）；EPFL（洛桑联邦理工学院）
设计在边缘硬件上运行的深度神经网络（DNN）仍然是一个挑战。标准设计已被社区采用，以促进神经网络模型的部署。然而，没有太多的重点放在适应网络拓扑结构，以适应硬件的限制。在本文中，我们采用了移动硬件平台MobileNetV2最广泛使用的架构之一，并研究了改变其拓扑结构和应用后训练量化的影响。我们讨论的适应和部署的模型上的嵌入式硬件平台的人脸检测的影响。
2022-08-23 cs.CV cs.LG
NeuroEvo: A Cloud-based Platform for Automated Design and Training of Neural Networks using Evolutionary and Particle Swarm Algorithms
Johns Hopkins University（约翰斯·霍普金斯大学）
进化算法为复杂搜索空间中的神经网络优化提供了独特的优势。本文介绍了一种新的网络平台，NeuroEvo（neuroevo.io），它允许用户交互式设计和训练神经网络分类器使用进化和粒子群算法。分类问题和训练数据由用户提供，在完成训练过程后，最佳分类器可供下载并在Python，Java和JavaScript中实现。NeuroEvo是一个基于云的应用程序，它利用GPU并行化来提高独立进化步骤（如变异，交叉和适应度评估）在整个种群中执行的速度。本文概述了训练算法和机会，为用户指定的设计决策和超参数设置。本文描述的算法也可作为Python包neuroevo（PyPI：https：//pypi.org/project/neuroevo/）提供。
2022-10-01 cs.LG cs.NE
A Survey on Graph Neural Networks for Fraud Detection in Ride Hailing Platforms
本文综述了图神经网络在网约车平台欺诈检测中的应用，分析了不同模型的效果，探讨了类别不平衡和欺诈伪装问题，并提出了改进欺诈检测策略的方向。
2025-12-29 cs.AI cs.LG
Dataflow Aware Mapping of Convolutional Neural Networks Onto Many-Core Platforms With Network-on-Chip Interconnect
RWTH Aachen University（亚琛工业大学）
机器智能，特别是使用卷积神经网络（CNN），在过去几年中已经成为一个大的研究领域。提出了越来越复杂的硬件加速器，其利用例如计算中的稀疏性并利用降低精度的算术来按比例缩小能耗。然而，未来的平台需要的不仅仅是能源效率：可扩展性正在成为一个越来越重要的因素。物理实现所需的努力随着加速器的大小而增加，使得更难以满足目标约束。使用由多个同构核组成的众核平台可以减轻上述关于物理实现的限制，但代价是增加了低映射工作。虽然CNN中的卷积是确定性的，因此可以离线优化，但找到一个最小化运行时间和片外存储器访问的合适方案的问题是一项具有挑战性的任务，如果涉及互连系统，则会变得更加复杂。这项工作提出了一种自动映射策略，从单核级别开始，具有不同的优化目标，用于最小的运行时间和最小的片外内存访问。然后，该策略扩展到一个合适的众核映射方案，并使用可扩展的系统级仿真与片上网络互连进行评估。设计空间探索是通过将著名的CNN AlexNet和VGG-16映射到不同核心数量和每个核心计算能力的平台来执行的，以便研究权衡。我们的映射策略和系统设置从单核级别扩展到128个核心，从而显示了所选方法的局限性。
2020-06-18 cs.DC cs.LG
Multi-level Graph Convolutional Networks for Cross-platform Anchor Link Prediction
University of Technology Sydney（悉尼科技大学）；The University of Queensland（昆士兰大学）；Southeast University（东南大学）
跨平台帐户匹配在社交网络分析中起着重要作用，并且有利于广泛的应用。然而，现有的方法要么严重依赖于高质量的用户生成内容（包括用户简档），要么只关注网络拓扑，存在数据不足的问题，这给研究者带来了难以解决的模型选择难题。在本文中，为了解决这个问题，我们提出了一个新的框架，认为在一个统一的方式在本地网络结构和超图结构的多级图卷积。该方法克服了现有工作中数据不足的问题，不一定依赖于用户的人口统计信息。此外，为了适应所提出的方法能够处理大规模的社交网络，我们提出了一个两阶段的空间协调机制，以对齐嵌入空间在两个网络划分为基础的并行训练和帐户匹配不同的社交网络。在两个大规模的现实生活中的社交网络上进行了广泛的实验。实验结果表明，该方法优于国家的最先进的模型有很大的差距。
2020-06-02 cs.LG cs.SI
Popularity Prediction on Social Platforms with Coupled Graph Neural Networks
University of Chinese Academy of Sciences（中国科学院大学）；Tencent Inc（腾讯公司）
预测社交平台上在线内容的受欢迎程度是研究人员和从业人员的重要任务。以前的方法主要利用人口统计学，时间和结构模式的早期采用者的流行预测。然而，大多数现有的方法是不太有效的，以准确地捕捉级联效应的信息扩散，其中早期采用者试图激活潜在的用户沿底层网络。在本文中，我们考虑的问题，网络感知的流行预测，利用早期采用者和社交网络的流行预测。我们建议捕捉级联效应明确，建模的激活状态的目标用户给定的激活状态和他/她的邻居的影响。为了实现这一目标，我们提出了一种新的方法，即耦合GNN，它使用两个耦合的图神经网络来捕获节点激活状态和影响力传播之间的相互作用。通过堆叠图神经网络层，我们提出的方法自然地捕捉级联效应沿网络在连续的方式。在合成和真实新浪微博数据集上进行的实验表明，我们的方法明显优于最先进的流行度预测方法。
2019-11-27 cs.LG cs.SI
Driver Fatigue Prediction using Randomly Activated Neural Networks for Smart Ridesharing Platforms
Missouri University of Science and Technology（密苏里科技大学）
针对顺风车驾驶员疲劳影响平台效率的问题，提出动态折扣满意启发式算法与带随机激活的随机神经网络，搭配新型SBPTT训练算法，经仿真和真实数据集验证性能优于现有最优方法。
2024-04-16 cs.LG cs.MA
GraphGallery: A Platform for Fast Benchmarking and Easy Development of Graph Neural Networks Based Intelligent Software
Sun Yat-sen University（中山大学）；Deakin University（迪肯大学）
图神经网络（GNN）最近被证明是表示和分析图数据的强大工具。到目前为止，GNN在软件工程中扮演着越来越重要的角色，包括程序分析、类型推断和代码表示。在本文中，我们介绍了GraphGallery，这是一个用于快速基准测试和轻松开发基于GNNs的软件的平台。GraphGallery是一个易于使用的平台，允许开发人员自动部署GNN，即使对特定领域的知识较少。它提供了一组基于主流深度学习框架的通用GNN模型的实现。此外，PyG和DGL等现有GNNs工具箱可以轻松集成到平台中。实验证明了算法的可靠性和快速编码的优越性。GraphGallery的官方源代码可以在https://github.com/EdisonLeeeee/GraphGallery上找到，演示视频可以在https://youtu.be/mv7Zs1YeaYo上找到。
2021-02-16 cs.AI cs.LG cs.SE
Optimising the Performance of Convolutional Neural Networks across Computing Systems using Transfer Learning
University of Edinburgh（爱丁堡大学）
选择卷积例程（原语）来实现神经网络对给定硬件平台上的推理性能（执行速度）有着巨大的影响。为了通过基元选择来优化神经网络，为网络的每一层识别最优基元。这个过程需要一个冗长的分析阶段，迭代每个层配置的所有可用原语，以测量它们在目标平台上的执行时间。由于每个基元都以不同的方式利用硬件，因此在迁移到另一个平台时需要新的分析来获得最佳性能。在这项工作中，我们建议用一种基于机器学习的性能建模方法来取代这种过于昂贵的分析阶段。我们的方法大大加快了优化时间。训练后，我们的性能模型可以估计任何层配置中卷积原语的性能。通过原始选择优化大型神经网络的执行时间从几小时减少到几秒钟。我们的性能模型很容易转移到其他目标平台。我们通过在英特尔平台上训练性能模型并使用最少的分析样本对AMD和ARM处理器设备执行迁移学习来证明这一点。
2020-10-20 cs.LG cs.PF
Investigations on the inference optimization techniques and their impact on multiple hardware platforms for Semantic Segmentation
在这项工作中，像素明智的语义分割的任务，在自动驾驶的背景下，以减少推理时间进行了探索。具有VGG 16编码器架构和跳过连接的全卷积网络（FCN-8 s、FCN-16 s和FCN-32 s）在Cityscapes数据集上进行了训练和验证。对TensorFlow和TensorRT中内置的几种推理优化技术进行了数值研究，以量化它们对推理时间和网络大小的影响。最后，将训练好的网络移植到嵌入式平台（Nvidia Jetson TX 1）上，并比较了推理时间以及跨硬件平台推理所消耗的总能量。
2019-11-29 cs.CV cs.LG eess.IV
Space4HGNN: A Novel, Modularized and Reproducible Platform to Evaluate Heterogeneous Graph Neural Network
Beijing University of Posts and Telecommunications（北京邮电大学）；Peng Cheng Laboratory（鹏城实验室）；AWS Shanghai AI Lab（亚马逊云科技上海人工智能实验室）；Paradigm Inc.（第四范式）
异构图神经网络（HGNN）已成功应用于各种任务中，但由于HGNN的体系结构和应用场景的多样性，我们无法准确了解不同设计维度的重要性。此外，在HGNNs的研究社区中，执行和评估各种任务仍然需要大量的人力。为了缓解这些问题，我们首先提出了一个涵盖大多数HGNN的统一框架，由三个组件组成：异构线性变换，异构图变换和异构消息传递层。然后，我们建立了一个平台Space4HGNN通过定义一个基于统一框架的HGNN的设计空间，它提供了模块化的组件，可重复的实现，和标准化的评估HGNN。最后，我们进行实验来分析不同设计的效果。有了这些发现，我们提炼出一个浓缩的设计空间，并验证其有效性。
2022-05-13 cs.AI cs.LG
X-IONet: Cross-Platform Inertial Odometry Network for Pedestrian and Legged Robot
Intelligent Transportation Thrust, The Hong Kong University of Science and Technology (Guangzhou)（科技大学（广州）智能交通研究组）；Intelligent Transportation Thrust and Artificial Intelligence Thrust, The Hong Kong University of Science and Technology (Guangzhou)（科技大学（广州）智能交通研究组和人工智能研究组）；Division of Emerging Interdisciplinary Areas, The Hong Kong University of Science and Technology（科技大学新兴交叉领域研究部）
X-IONet通过单IMU实现跨平台惯性里程计，采用规则专家选择模块和双阶段注意力架构，提升四足机器人和行人导航的精度与鲁棒性。
2026-04-22 cs.LG cs.RO
Federated Learning and Blockchain-enabled Fog-IoT Platform for Wearables in Predictive Healthcare
University of Guelph（圭尔夫大学）；University of Toronto（多伦多大学）
多年来，可穿戴物联网（IoT）设备在多种医疗保健服务中的普及和使用正在增加。受益于这些设备的使用的服务之一是预测分析，这可以改善电子保健的早期诊断。然而，由于可穿戴物联网设备的局限性，数据隐私，服务完整性和网络结构适应性方面的挑战出现了。为了解决这些问题，我们提出了一个在雾物联网网络中使用联邦学习和私有区块链技术的平台。这些技术具有隐私保护功能，可以保护网络内的数据。我们利用雾物联网网络的分布式结构为可穿戴物联网设备创建自适应网络。我们设计了一个测试平台，以检查所提出的平台的能力，以保持分类器的完整性。根据实验结果，所介绍的实现可以有效地保护病人的隐私和预测服务的完整性。我们进一步研究了其他技术对物联网网络安全性和适应性的贡献。总的来说，我们通过分析、模拟和实验证明了我们的平台在解决可穿戴物联网设备在预测性医疗保健中的重大安全和隐私挑战方面的可行性。
2023-01-11 cs.CR cs.LG cs.NI
Comparing Computing Platforms for Deep Learning on a Humanoid Robot
The University of Newcastle（纽卡斯尔大学）
这项研究的目的是测试两种不同的计算平台是否适合运行深度网络，作为人形机器人软件系统的一部分。其中一个平台是以CPU为中心的Intel NUC7i7BNH，另一个是更加强调GPU处理的NVIDIA Jetson TX2系统。这些实验解决了许多基准测试任务，包括使用深度神经网络进行行人检测。一些结果是出乎意料的，但证明了平台在考虑这种系统的计算性能和电力要求时表现出优点和缺点。
2019-01-20 cs.CV cs.LG cs.RO
Comparative Performance Analysis of Neural Networks Architectures on H2O Platform for Various Activation Functions
National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"（乌克兰国立技术大学“伊戈尔·西科尔斯基基辅理工学院”）
深度学习（深度结构化学习、分层学习或深度机器学习）是基于一组算法的机器学习的一个分支，这些算法试图通过使用具有复杂结构或以其他方式由多个非线性变换组成的多个处理层来对数据中的高级抽象进行建模。在本文中，我们提出了在H2O平台上测试神经网络架构的各种激活函数，停止度量和其他参数的机器学习算法的结果。对于单线程模式下的手写数字MNIST数据库的用例，证明了这些参数的盲选可以极大地增加运行时间（2-3阶），而不会显着增加精度。这一结果对于现有的和新的机器学习方法的优化，特别是对于图像识别问题，有着至关重要的影响。
2017-07-16 cs.CV cs.LG cs.PF
LDMRes-Net: Enabling Efficient Medical Image Segmentation on IoT and Edge Platforms
COMSATS University Islamabad（伊斯兰堡COMSATS大学）；University of New South Wales（新南威尔士大学）；Seoul National University（首尔国立大学）；King Saud University（沙特国王大学）
本文提出轻量级双多尺度残差网络LDMRes-Net，仅含0.072M参数，通过双多残差块架构和优化滤波器实现高效特征提取，专为资源受限的IoT和边缘平台设计，在视网膜血管等医学图像分割任务中展现出高精度与鲁棒性。
2023-09-07 cs.CV cs.LG eess.IV
Detecting Transaction-based Tax Evasion Activities on Social Media Platforms Using Multi-modal Deep Neural Networks
University of Technology Sydney（悉尼科技大学）；The University of Sydney Business School（悉尼大学商学院）；Macquarie University（麦考瑞大学）
社交媒体平台现在为数十亿用户提供便利的通信手段，内容共享甚至不同用户之间的支付。由于这种方便和无政府性质，它们还被大肆用于促进和开展未注册市场参与者之间的商业活动，而无需纳税。世界各国税务机关都难以通过传统的监管手段对这些隐性经济活动进行监管。本文提出一个基于机器学习的Regtech工具，供国际税务机关用于检测社交媒体平台上基于交易的逃税活动。为了构建这样一个工具，我们收集了58，660个Instagram帖子的数据集，并手动标记了2，081个与基于交易的逃税活动相关的多个属性的采样帖子。基于数据集，我们开发了一个多模态深度神经网络来自动检测可疑帖子。该模型结合了评论、主题标签和图像形式来产生最终输出。如我们的实验所示，组合模型实现了0.808的AUC和0.762的F1得分，优于任何单一模态模型。该工具可以帮助税务机关以高效和有效的方式识别审计目标，并打击社交电子商务的大规模逃税行为。
2020-07-27 cs.CY cs.LG cs.SI
SnapMode: An Intelligent and Distributed Large-Scale Fashion Image Retrieval Platform Based On Big Data and Deep Generative Adversarial Network Technologies
University of Alzahra（阿尔扎拉大学）
时尚现在是世界上最大的产业之一，因为它代表了人类历史，并有助于讲述世界的故事。随着第四次工业革命的兴起，互联网已经成为越来越重要的时尚信息来源。然而，随着越来越多的网页和社交数据，人类几乎不可能手动跟上该领域的持续发展和不断变化的内容。妥善管理和利用大数据可以为全球经济的大幅增长和公民满意度铺平道路。因此，计算机科学家发现，通过使用大数据和机器学习技术来处理电子商务时尚网站是一项挑战。本文首先提出了一种基于分布式计算平台的可扩展的聚焦式Web爬虫引擎，用于电子商务网站上的时尚数据的提取和处理。然后描述了所提出的平台的作用，通过采用深度卷积生成对抗网络（DCGAN）进行基于内容的图像索引和检索来开发一种解纠缠的特征提取方法。最后，国家的最先进的解决方案进行了比较，所提出的方法的结果进行了分析的标准数据集。为了实现所提出的解决方案，在Apache Storm、Kafka、Solr和Milvus平台上开发了一个基于Web的应用程序，以创建一个名为SnapMode的时尚搜索引擎。
2022-04-08 cs.AI cs.CV cs.DC
