입력 난이도 기반 적응형 임계값 DART로 빠른 조기 종료 딥러닝

초록

본 논문은 입력 난이도를 실시간으로 추정하고, 동적 프로그래밍 기반의 공동 임계값 최적화와 온라인 적응 계수를 결합한 DART 프레임워크를 제안한다. 경량 난이도 추정 모듈, 전역 최적화된 조기 종료 정책, 그리고 배포 중 지속적인 계수 업데이트를 통해 AlexNet, ResNet‑18, VGG‑16 등에서 최대 3.3배 속도 향상과 5.1배 에너지 절감을 달성하면서 정확도 손실을 최소화한다. 또한 Vision Transformer(LeViT) 적용 시에도 일정 수준의 효율성을 보이지만, 변형에 특화된 설계가 필요함을 확인한다. 새로운 다목적 평가 지표 DAES를 도입해 정확도·효율·견고성의 균형을 정량화하였다.

상세 분석

DART는 기존 조기 종료 네트워크가 갖는 세 가지 근본적인 한계를 동시에 해결한다. 첫째, 입력 난이도 추정을 위한 모듈은 Sobel 기반 에지 밀도, 픽셀 분산, 라플라시안 그래디언트라는 세 가지 저비용 시각 특성을 결합한다. 각 특성은 2‑D 컨볼루션 연산만으로 계산 가능하므로, 모바일 및 임베디드 환경에서도 미미한 오버헤드만 발생한다. 가중치 w₁, w₂, w₃는 랜덤 서치를 통해 데이터셋별 최적화되며, 최종 난이도 점수 α는