Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Παράλληλες τεχνικές για την επαλήθευση νευρωνικών δικτύων

Monogyios Antonios

Πλήρης Εγγραφή


URI: http://purl.tuc.gr/dl/dias/63577073-807A-4ECA-9EC7-FFD821D402A1
Έτος 2025
Τύπος Διπλωματική Εργασία
Άδεια Χρήσης
Λεπτομέρειες
Βιβλιογραφική Αναφορά Αντώνιος Μονογυιός, "Παράλληλες τεχνικές για την επαλήθευση νευρωνικών δικτύων", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2025 https://doi.org/10.26233/heallink.tuc.102611
Εμφανίζεται στις Συλλογές

Περίληψη

Οι παράλληλοι πιστοποιητές νευρωνικών δικτύων είναι εργαλεία λογισμικού, που αξιοποιούν παράλληλες αρχιτεκτονικές ώστε να επαληθεύσουν γρήγορα και με αυστηρό τρόπο τη ορθή λειτουργικότητα νευρωνικών δικτύων σε περιβάλλοντα καίριας σημασίας όπως αεροπλοΐα, αυτόνομη οδήγηση, κ.ο.κ. Στην παρούσα διπλωματική εργασία, προτείνουμε μια εξωτερική επεκτάση με βάση την Bayesian βελτιστοποίηση, η οποία χρησιμοποιεί μεταφορά μάθησης μεταξύ διαφορετικών προδιαγραφών ασφαλείας για να επιταχύνει την παράλληλη πιστοποίηση τους, καθώς και μια εναλλακτική μέθοδο βασισμένη στη συμπεριφορά των νευρώνων του δικτύου υπό επαλήθευση.Στη μεταφορά μάθησης μεταξύ προδιαγραφών ασφαλείας, η επέκταση αξιοποιώντας τους διαθέσιμους πόρους λαμβάνει ένα εκπαιδευμένο νευρωνικό δίκτυο και μια προδιαγραφή πάνω στις διαστάσεις εισόδου του. Εκτελώντας ένα περιορισμένο αριθμό από δοκιμές πιστοποίησης δημιουργεί ένα μοντέλο} Bayesian βελτιστοποίησης, το οποίο μπορεί με ακρίβεια να προβλέψει τον χρόνο πιστοποίησης για κάθε σχέδιο παραλληλισμού (διαμέριση προδιαγραφής εισόδου). Επομένως, μπορεί να παρέχει ένα σχέδιο παραλληλισμού το οποίο ελαχιστοποιεί τον συνολικό χρόνο πιστοποίησης. Στη συνέχεια, αξιοποιεί το εκπαιδευμένο μοντέλο για να προβλέψει σχέδια παραλληλισμού που ελαχιστοποιούν τον συνολικό χρόνο πιστοποίησης νέων προδιαγραφών μερικώς ή πλήρως επικαλυπτόμενων από την αρχική προδιαγραφή.Η δεύτερη λειτουργία βασίζεται στην πραγματοποίηση μερικών δοκιμών πάνω στις προβλέψεις του νευρωνικού δικτύου αντί για πιστοποιήσεις. Δημιουργεί και εκπαιδεύει ένα μοντέλο Bayesian βελτιστοποιητή το οποίο μπορεί να προβλέψει με ακρίβεια τον αριθμό από νευρώνες που ενεργοί ή ανενεργοί για κάποιο σχέδιο παραλληλισμού. Συνεπώς, μπορεί να παρέχει ένα σχέδιο παραλληλισμού που ελαχιστοποιεί τον αριθμό των ενεργοποιημένων νευρώνων, καθώς ελαχιστοποιώντας αυτόν τον αριθμό συνοδεύεται με ελαχιστοποίηση του χρόνου πιστοποίησης. Εν κατακλείδι, πραγματοποιούμε πειραματική αξιολόγηση και των 2 τρόπων λειτουργίας της εξωτερικής επέκτασης που προτείνουμε, αξιολογώντας την ποιότητα των προτεινόμενων σχεδίων παραλληλισμού με βάση την κατάταξη τους σε σχέση με όλες τις υπόλοιπες, καθώς και παρέχουμε τα αποτελέσματα των μετρήσεων μας. Τα αποτελέσματα που συλλέχθηκαν κατά την πειραματική διαδικασία επιβεβαιώνουν την αποτελεσματικότητα τους όσο αναφορά την επιτάχυνση της παράλληλη πιστοποίηση νευρωνικών δικτύων.

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά