Saltar a contenido

Fase 4: reductos y fan-in (2-3 semanas)

Objetivo: primer experimento propio. Usar reductos o testores para elegir qué entradas ve cada neurona en una red basada en LUT, y compararlo contra la conectividad aleatoria de LogicNets y la poda aprendida de PolyLUT.

Hipótesis

Las redes basadas en LUT deben limitar el fan-in a muy pocas entradas. Elegir esas entradas es un problema de selección de atributos. Los reductos dan subconjuntos mínimos que preservan la capacidad de discriminar entre clases. Esa garantía podría traducirse en:

  1. Menor fan-in con la misma precisión, y por tanto tablas exponencialmente más pequeñas.
  2. Igual fan-in con mejor precisión que la conectividad aleatoria.
  3. Selección determinista y explicable frente a la poda aprendida.

Diseño experimental propuesto

flowchart TB
    D[Jet tagging, 16 rasgos] --> Q[Discretizar rasgos a β bits]
    Q --> M[Matriz básica / de discernibilidad]
    M --> R[Calcular reductos más cortos<br/>MinReduct]
    R --> C1[Primera capa: conectar neuronas<br/>a rasgos de reductos distintos]
    C1 --> T[Entrenar red LUT]
    T --> E[Precisión, LUT, latencia]
    B1[Base: LogicNets aleatoria] --> E
    B2[Base: PolyLUT con poda] --> E

Paso 1: primera capa (lo más simple)

  • Discretizar los 16 rasgos del jet tagging al mismo número de bits que usa la red.
  • Construir la matriz básica y calcular los reductos más cortos con MinReduct (o todos con GCreduct).
  • Asignar a cada neurona de la primera capa un subconjunto de entradas tomado de los reductos, con fan-in \(F\).
  • Entrenar y comparar contra la asignación aleatoria de LogicNets con el mismo \(F\) y la misma arquitectura. Repetir con varias semillas: la variación entre semillas es la barra de error.

Paso 2: capas ocultas (más ambicioso)

Las activaciones de una capa oculta, cuantizadas a \(\beta\) bits, también son atributos discretos. Se puede aplicar la misma idea capa por capa, aunque el número de atributos crece. Aquí tus aceleradores FPGA para el cálculo de reductos pueden volver a ser útiles.

Paso 3: análisis

  • Tabla: precisión, LUT, latencia para aleatoria frente a reductos frente a poda aprendida, a varios valores de \(F\).
  • Curva precisión–LUT (frente de Pareto) para cada método.
  • Costo computacional de calcular los reductos.

Resultado negativo posible

Si la selección por reductos no supera a la poda aprendida, el resultado sigue siendo informativo. El enfoque se puede reorientar hacia el costo de la selección, hacia garantías de minimalidad o hacia un esquema híbrido (reductos para inicializar y poda aprendida para refinar).

Antes de empezar: búsqueda sistemática

  • Buscar en OpenAlex y Semantic Scholar combinaciones de "rough set", "reduct", "testor", "feature selection" con "LUT-based neural network", "LogicNets", "PolyLUT", "FPGA", "TinyML". Confirmar que el hueco existe.
  • Revisar quién cita a LogicNets y PolyLUT en 2025-2026, con la función "citado por" de Semantic Scholar.

Dónde podría publicarse

Un primer resultado cabe en un congreso de FPGA (FPL, ICFPT, FCCM) o en un workshop de TinyML. Una versión completa, con el paso 2 y un análisis de costo, apunta a ACM TRETS, IEEE Transactions on Computers o IEEE TCAD. Ver Revistas y congresos.