Líneas de investigación

Los árboles de decisión son una técnica de aprendizaje automático ligera y eficiente que ha demostrado su eficacia en varios problemas de clasificación. En el contexto de los sistemas embebidos, la eficiencia energética es tan importante como la precisión, por lo que es necesario buscar algoritmos eficientes que puedan ser acelerados. Esto convierte a los árboles de decisión en un objetivo perfecto para desarrollar un acelerador FPGA. Un solo árbol de decisión no suele ser muy preciso para tareas complicadas pero gracias a técnicas que combinan varios árboles es posible hacer frente a problemas complejos.

Las redes neuronales bayesianas (BNNs) nos permiten obtener métricas de incertidumbre relacionadas con los datos procesados, y la incertidumbre generada por el modelo seleccionado. Hemos identificado cómo estas métricas pueden utilizarse para varias aplicaciones prácticas, como identificar predicciones que no alcanzan el nivel de precisión requerido, o identificar cuándo las predicciones se ven afectadas por el aumento del nivel de ruido en los datos de entrada. Sin embargo, es importante tener en cuenta…

Este trabajo ha explorado la posibilidad de reducir drásticamente el voltaje de las memorias de activación en aceleradores de inferencia CNN para reducir el consumo energético. Para abordar el impacto causado en la precisión de las CNN por los fallos permanentes en las celdas de bits como consecuencia de la reducción de voltaje, se han propuesto un par de mecanismos hardware de bajo coste basados en enfoques de flipping y patching. Este trabajo es consecuencia de un estudio…