该文综述了提升深度神经网络硬件可靠性的多种方案：差分映射与负载裁剪能以零额外成本容忍近一个数量级的故障率；贝叶斯优化与dropout可增强抗权重漂移能力；重设计、重训练等三种零成本方案可提高瞬态故障下的可靠性；FARe框架在故障ReRAM上仅增加约1%时间开销，并将GNN测试准确率提高47.6%；NeuralFuse通过学习输入变换将内存访问能耗降低2.7至5倍，同时提升57%的准确率；查找表故障感知量化能以低成本减少永久故障影响；权重重参数化可缩小Transformer编码器；模拟ReRAM跨栅矩阵运算具有更高能效。

本文提出了一种故障感知的框架 FARe，用于在存在故障情况下减轻训练图神经网络的影响，该框架在准确性和时间开销方面优于现有方法。实验结果表明，相比无故障情况下的对比系统，FARe 框架可以在故障的 ReRAM 硬件上只增加约 1% 的时间开销，将 GNN 测试准确率提高 47.6%。