1. Αποθετήριο Παραδοτέων Υποτρόφων Δράσεων ΕΣΠΑ Τριτοβάθμιας Εκπαίδευσης 2017-2023
2. Όλο το Αποθετήριο
3. Ερευνητικές ομάδες

Τύπος:	Ανακοίνωση σε συνέδριο
Τίτλος:	Optimizing SVM classifier through approximate and High Level Synthesis techniques
Συγγραφέας:	[EL] Κολιογεώργη, Κωνσταντίνα[EN] Koliogeorgi, Konstantina [EL] Ζερβάκης, Γεώργιος[EN] Zervakis, Georgios [EL] Αναγνώστος, Δημήτριος[EN] Anagnostos, Dimitrios [EL] Ζομπάκης, Νικόλαος[EN] Zompakis, Nikolaos [EL] Σιώζιος, Κωνσταντίνος[EN] Siozios, Kostas
Ημερομηνία:	20/06/2019
Περίληψη:	Leveraging the inherent error resilience of a large number of application domains, approximate computing is established as an efficient design alternative to improve their performance. Support Vector Machine (SVM) classifier is a widely adopted machine learning algorithm, that exhibits high error resilience and requires real-time execution. In this paper, we propose a highly optimized approximate SVM FPGA accelerator, utilizing arrhythmia detection in ECG signals as a case study. The proposed methodology applies two algorithmic approximation techniques, i.e., precision scaling and loop perforation, implemented in a coordinated manner in High-Level Synthesis (HLS). As a second level of performance enhancement, an exploration of the in-build optimization techniques of the HLS tool, with respect to the applied approximation, is also performed. Experimental evaluation shows that the proposed approximate SVM classifier attains a 15× speedup, while maintaining an accuracy of 96.7%.
Γλώσσα:	Αγγλικά
Τόπος δημοσίευσης:	Thessaloniki, Greece
Σελίδες:	4
DOI:	10.1109/MOCAST.2019.8742064
ISBN:	978-1-7281-1185-8
Θεματική κατηγορία:	[EL] Άλλες Επιστήμες Μηχανικού και Τεχνολογίες[EN] Other Engineering and Technologies
Κάτοχος πνευματικών δικαιωμάτων:	© Copyright 2019 IEEE - All rights reserved © by the authors.
Ηλεκτρονική διεύθυνση του τεκμηρίου στον εκδότη:	https://ieeexplore.ieee.org/document/8742064
Ηλεκτρονική διεύθυνση περιοδικού:	https://ieeexplore.ieee.org/xpl/conhome/8732971/proceeding
Τίτλος πηγής δημοσίευσης:	2019 8th International Conference on Modern Circuits and Systems Technologies (MOCAST)
Σελίδες τεκμηρίου (στην πηγή):	1-4
Όνομα εκδήλωσης:	8th International Conference on Modern Circuits and Systems Technologies (MOCAST)
Τοποθεσία εκδήλωσης:	Thessaloniki, Greece
Ημ/νία έναρξης εκδήλωσης:	13/05/2019
Ημ/νία λήξης εκδήλωσης:	15/05/2019
Σημειώσεις:	This work was supported in part by Greece and the European Union (European Social Fund) through the Operational Programme Human Resources Development, Education and Lifelong Learning 20142020 in the context of the project Automated methodology for production and execution of data-centric multi-level approximate equivalent applications for heterogeneous computing platforms under Grant MIS 5005377
Εμφανίζεται στις συλλογές:	Ερευνητικές ομάδες