A real-valued DCT-based spectral CNN architecture for efficient edge deep learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Spectral Convolutional Neural Networks (SpCNNs) offer a pathway to computational efficiency by performing convolutions in the frequency domain. While FFT-based SpCNNs reduce convolutional complexity, their reliance on complex valued operations and inverse transforms incurs high memory and latency costs, limiting their utility for embedded and edge applications. This paper proposes an enhanced, real-valued Discrete Cosine Transform (DCT)-based SpCNN that eliminates inverse transforms and complex arithmetic by performing all operations, including convolution, activation, and pooling entirely in the DCT domain. A modified real-valued spectral activation function is introduced to enable effective nonlinearity in frequency space. Experimental evaluation on MNIST and a 94-class ASCII benchmark datasets demonstrates that the proposed model achieves up to 20% reduction in computational workload and 19% reduction in memory access compared to a previous spectral model. Additionally, LeNet5 achieves improved accuracy (98.44%), and the architecture exhibits significantly faster inference and higher energy efficiency in both batch and real time settings. These results establish the DCT-based SpCNN as a practical and scalable solution for deployment in resource constrained systems. • Real-valued DCT-based SpCNN with no inverse transforms or complex numbers. • DCT-domain spectral activation enables full-frequency nonlinear operations. • Reduces FLOPs by 20% and memory cost by 19% versus prior spectral models. • Achieves 98.44% accuracy on MNIST and strong results on ASCII-94 dataset. • Evaluated for latency, power, and throughput in batch and real-time modes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle