WikiEdge:ArXiv-2408.17428v1/terms：修订间差异

来自WikiEdge
跳转到导航 跳转到搜索
可视化wikitext
David（留言 | 贡献）
机器人
1,726次编辑
Saved page by David
 
David（留言 | 贡献）
机器人
1,726次编辑
Saved page by David
 
第1行： 第1行：
本文介绍了一种基于[[忆阻器]]的计算存储硬件加速器，用于片上训练和推理，重点关注其在设备变化、导电误差和输入噪声下的准确性和效率。
<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17428v1/terms|action=edit}} 编辑]</div>
利用商业可用的基于[[银]]的金属自定向通道（M-SDC）忆阻器的真实SPICE模型，研究将固有的设备非理想性纳入电路仿真中。
这篇文章的术语表如下：
硬件由30个忆阻器和4个[[神经元]]组成，利用[[钨]]、[[铬]]和[[碳]]介质的三种不同的M-SDC结构执行二进制[[图像分类]]任务。
* [[光学字符识别]]（Optical Character Recognition, OCR）：光学字符识别是一种技术，用于将不同类型的文档（例如扫描的纸张文档、PDF文件或数字相机拍摄的文本照片）转换成可编辑和可搜索的数据。
片上训练算法精确调整忆阻器导电性以实现目标权重。结果表明，训练期间加入适度噪声（<15%）可以增强对设备变化和噪声输入数据的[[鲁棒性]]，
* [[上下文感知OCR校正]]（Context Leveraging OCR Correction, CLOCR-C）：上下文感知OCR校正是利用预训练[[语言模型]]的填充和上下文适应能力来提高OCR质量的过程。
即使在导电变化和输入噪声下也能实现高达97%的[[准确率]]。网络可以在不显著损失准确率的情况下容忍10%的导电误差。值得注意的是，
* [[命名实体识别]]（Named Entity Recognition, NER）：命名实体识别是[[自然语言处理]]中的一项任务，涉及识别文本中的实体，如人名、地点、组织等。
在训练期间省略初始忆阻器重置脉冲可以显著减少训练时间和能量消耗。使用基于铬的忆阻器设计的硬件表现出优越的性能，
* [[余弦命名实体相似度]]（Cosine Named Entity Similarity, CoNES）：余弦命名实体相似度是一种衡量两个文本在实体方面相似性的方法，不考虑实体在文本中的位置。
实现了2.4秒的训练时间和18.9毫焦耳的能量消耗。这项研究为开发用于[[边缘应用]]的[[片上学习]]的鲁棒和能效高的基于忆阻器的[[神经网络]]提供了见解。
* [[字符错误率]]（Character Error Rate, CER）：字符错误率是一种衡量文本识别或校正质量的指标，计算公式为（替换数+删除数+插入数）/ 正确的总字符数。
* [[错误减少百分比]]（Error Reduction Percentage, ERP）：错误减少百分比用于衡量OCR校正后错误率的降低程度，计算公式为（原始OCR错误率 - 校正后错误率）/ 原始OCR错误率 * 100。
* [[语言模型]]（Language Model, LM）：语言模型是[[自然语言处理]]中的一个概念，用于预测一个词序列的概率分布，常用于文本生成、语音识别等任务。
* [[掩码语言建模]]（Masked Language Modelling, MLM）：掩码语言建模是一种语言模型训练方法，通过随机遮蔽文本中的一些单词，然后预测这些被遮蔽的单词来训练模型。
* [[自回归模型]]（Autoregressive Model）：自回归模型是一种统计模型，用于预测序列中下一个元素的概率分布，基于序列中前面的元素。
* [[BERT]]：BERT（Bidirectional Encoder Representations from Transformers）是一种预训练语言表示的方法，通过考虑上下文中的前后文信息来获得高质量的文本表示。

2024年9月3日 (二) 10:36的最新版本

编辑

这篇文章的术语表如下：

  • 光学字符识别（Optical Character Recognition, OCR）：光学字符识别是一种技术，用于将不同类型的文档（例如扫描的纸张文档、PDF文件或数字相机拍摄的文本照片）转换成可编辑和可搜索的数据。
  • 上下文感知OCR校正（Context Leveraging OCR Correction, CLOCR-C）：上下文感知OCR校正是利用预训练语言模型的填充和上下文适应能力来提高OCR质量的过程。
  • 命名实体识别（Named Entity Recognition, NER）：命名实体识别是自然语言处理中的一项任务，涉及识别文本中的实体，如人名、地点、组织等。
  • 余弦命名实体相似度（Cosine Named Entity Similarity, CoNES）：余弦命名实体相似度是一种衡量两个文本在实体方面相似性的方法，不考虑实体在文本中的位置。
  • 字符错误率（Character Error Rate, CER）：字符错误率是一种衡量文本识别或校正质量的指标，计算公式为（替换数+删除数+插入数）/ 正确的总字符数。
  • 错误减少百分比（Error Reduction Percentage, ERP）：错误减少百分比用于衡量OCR校正后错误率的降低程度，计算公式为（原始OCR错误率 - 校正后错误率）/ 原始OCR错误率 * 100。
  • 语言模型（Language Model, LM）：语言模型是自然语言处理中的一个概念，用于预测一个词序列的概率分布，常用于文本生成、语音识别等任务。
  • 掩码语言建模（Masked Language Modelling, MLM）：掩码语言建模是一种语言模型训练方法，通过随机遮蔽文本中的一些单词，然后预测这些被遮蔽的单词来训练模型。
  • 自回归模型（Autoregressive Model）：自回归模型是一种统计模型，用于预测序列中下一个元素的概率分布，基于序列中前面的元素。
  • BERT：BERT（Bidirectional Encoder Representations from Transformers）是一种预训练语言表示的方法，通过考虑上下文中的前后文信息来获得高质量的文本表示。
取自“http://zh.wikiedge.org/index.php?title=WikiEdge:ArXiv-2408.17428v1/terms&oldid=788”