100개 측정으로 엣지 지연 순위 예측, HiFi-LLP 평균 상관 0.991

하드웨어 인식 신경망 구조 탐색은 후보마다 실제 기기의 지연을 재면 정확하지만 순차 측정 비용이 크다. HiFi-LLP는 연산 그래프를 그래프 어텐션 네트워크로 읽어 지연과 예측 신뢰도를 함께 내고, 불확실한 후보만 하드웨어 인더루프로 보낸다.

LatBench의 CPU·GPU·DSP·TPU 계열 6개 기기에서 플랫폼당 100개 또는 500개 측정 표본으로 처음부터 학습했다. 실제 지연 순서를 보존하는 스피어만 상관과, 예측이 실제값의 10% 오차 안에 든 비율 등을 평가했다.

100개 표본 조건에서 HiFi-LLP는 HiFi-SAGE보다 6개 중 5개 기기에서 10% 정확도 지표가 높았고 BRP-NAS보다 모든 기기에서 높았다. 6개 기기의 스피어만 상관은 평균 0.991, 최고 0.996이었다.

HiFi-LLP의 하이브리드 신경망 구조 탐색 파이프라인 Figure 3 — Figure 3. Fig. 3: Our proposed hybrid NAS pipeline. 출처: arXiv:2607.11746

모델	기기당 학습 표본	DCPU	DGPU	MDSP	EGPU	MGPU	ETPU	6기기 평균
HiFi-SAGE	100개	0.991	0.991	0.985	0.995	0.981	0.992	0.989
HiFi-LLP	100개	0.993	0.994	0.986	0.996	0.985	0.993	0.991

자료: STORIUM 정리

같은 100개 표본을 쓴 비교에서 기기별 순위 상관은 모두 HiFi-SAGE를 소폭 웃돌았다. 다만 HELP는 10개 적응 표본, BRP-NAS는 900개 표본을 쓰므로 표의 가로 비교는 학습 예산이 같지 않다는 점을 함께 봐야 한다.

신뢰도가 낮은 후보만 실제 측정으로 되돌린 혼합 탐색은 전수 측정형 일반 NAS보다 최대 8.6배 빨랐고 경쟁력 있는 파레토 전선을 유지했다. 이 값은 모든 기기와 탐색공간의 평균 보장이 아니다. 런타임, 열 상태, 배치 크기나 미포함 가속기가 바뀌면 100개 표본의 충분성과 신뢰도 보정을 다시 확인해야 한다. arXiv:2607.11746은 동료검토 전 원고이며 최종 후보의 실기 검증을 대체하지 않는다. HiFi-LLP는 연산 그래프를 그래프 어텐션 네트워크로 읽어 지연과 예측 신뢰도를 함께 내고, 플랫폼별 대규모 학습 표본 요구를 줄이도록 설계됐다.