論文の概要: Collaborative Inference for Efficient Remote Monitoring
- arxiv url: http://arxiv.org/abs/2002.04759v1
- Date: Wed, 12 Feb 2020 01:57:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 19:11:46.806355
- Title: Collaborative Inference for Efficient Remote Monitoring
- Title（参考訳）: 効率的な遠隔モニタリングのための協調推論
- Authors: Chi Zhang, Yong Sheng Soh, Ling Feng, Tianyi Zhou, Qianxiao Li
- Abstract要約: これをモデルレベルで解決するための簡単なアプローチは、より単純なアーキテクチャを使用することです。
本稿では,局所的なモニタリングツールとして機能する単純な関数の和として,予測モデルを分解した代替手法を提案する。
ローカル監視機能が安全であることを保証するために、後者にサイン要求が課される。
- 参考スコア（独自算出の注目度）: 34.27630312942825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While current machine learning models have impressive performance over a wide
range of applications, their large size and complexity render them unsuitable
for tasks such as remote monitoring on edge devices with limited storage and
computational power. A naive approach to resolve this on the model level is to
use simpler architectures, but this sacrifices prediction accuracy and is
unsuitable for monitoring applications requiring accurate detection of the
onset of adverse events. In this paper, we propose an alternative solution to
this problem by decomposing the predictive model as the sum of a simple
function which serves as a local monitoring tool, and a complex correction term
to be evaluated on the server. A sign requirement is imposed on the latter to
ensure that the local monitoring function is safe, in the sense that it can
effectively serve as an early warning system. Our analysis quantifies the
trade-offs between model complexity and performance, and serves as a guidance
for architecture design. We validate our proposed framework on a series of
monitoring experiments, where we succeed at learning monitoring models with
significantly reduced complexity that minimally violate the safety requirement.
More broadly, our framework is useful for learning classifiers in applications
where false negatives are significantly more costly compared to false
positives.
- Abstract（参考訳）: 現在の機械学習モデルは、幅広いアプリケーションで印象的なパフォーマンスを発揮するが、そのサイズと複雑さは、ストレージと計算能力に制限のあるエッジデバイスでのリモート監視のようなタスクには適さない。
モデルレベルでこれを解決するためのナイーブなアプローチは、単純なアーキテクチャを使用することだが、予測精度を犠牲にして、有害なイベントの発生を正確に検出する必要のあるアプリケーションの監視には適さない。
本稿では,ローカルモニタリングツールとして機能する単純な関数と,サーバ上で評価される複雑な補正項の和として予測モデルを分解することで,この問題に対する代替案を提案する。
早期警戒システムとして効果的に機能できるという意味で、ローカル監視機能が安全であることを保証するために、後者にサイン要求が課される。
我々の分析は、モデルの複雑さと性能のトレードオフを定量化し、アーキテクチャ設計のガイダンスとして役立ちます。
提案するフレームワークを一連のモニタリング実験で検証し,安全要件を最小に破る複雑さを著しく低減したモニタリングモデルの学習に成功した。
より広い範囲において、このフレームワークは偽陰性が偽陽性よりも著しくコストがかかるアプリケーションにおける分類器の学習に有用である。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Geospatial Trajectory Generation via Efficient Abduction: Deployment for Independent Testing [1.8877926393541125]
情報(A*)探索により,移動軌跡を効率的に吸収できることが示される。
私たちはまた、正確な結果を提供するだけでなく、非常に大きなシナリオにもスケールできることを示す独自の実験について報告します。
論文 参考訳（メタデータ） (2024-07-08T23:11:47Z) - Automatically Adaptive Conformal Risk Control [49.95190019041905]
本稿では,テストサンプルの難易度に適応して,統計的リスクの近似的条件制御を実現する手法を提案する。
我々のフレームワークは、ユーザが提供するコンディショニングイベントに基づく従来のコンディショニングリスク制御を超えて、コンディショニングに適した関数クラスのアルゴリズム的、データ駆動決定を行う。
論文 参考訳（メタデータ） (2024-06-25T08:29:32Z) - Designing monitoring strategies for deployed machine learning
algorithms: navigating performativity through a causal lens [6.329470650220206]
この研究の目的は、監視戦略を設計する際の比較的過小評価されている複雑さを強調することである。
MLに基づく未計画の読み出し予測のためのリスク予測アルゴリズムについて検討する。
このケーススタディの結果は、すべての監視システムが平等に作成されるわけではないという、一見単純な(そして明らかな)事実を強調します。
論文 参考訳（メタデータ） (2023-11-20T00:15:16Z) - A Step Towards Efficient Evaluation of Complex Perception Tasks in
Simulation [5.4954641673299145]
単純化された低忠実度シミュレータを用いて,効率的な大規模テストを実現する手法を提案する。
我々のアプローチは、テスト中のタスクの計算集約的なコンポーネントに対応する効率的なサロゲートモデルを設計することに依存している。
計算コストを削減したCarlaシミュレータにおける自律運転タスクの性能を評価することで,提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2021-09-28T13:50:21Z) - Federated Learning with Unreliable Clients: Performance Analysis and
Mechanism Design [76.29738151117583]
Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。
しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。
クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
論文 参考訳（メタデータ） (2021-05-10T08:02:27Z) - Adversarial Examples for Unsupervised Machine Learning Models [71.81480647638529]
回避予測を引き起こすアドリラルな例は、機械学習モデルの堅牢性を評価し改善するために広く利用されている。
教師なしモデルに対する逆例生成の枠組みを提案し,データ拡張への新たな応用を実証する。
論文 参考訳（メタデータ） (2021-03-02T17:47:58Z) - Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。
我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
論文 参考訳（メタデータ） (2021-01-07T07:33:38Z) - Per-frame mAP Prediction for Continuous Performance Monitoring of Object
Detection During Deployment [6.166295570030645]
本稿では,デプロイメント中のパフォーマンスモニタリングに対するイントロスペクションアプローチを提案する。
フレーム当たりの平均精度がクリティカルしきい値以下になると予測する。
我々は,誤った判断を下すことによってリスクを低減する手法の能力を定量的に評価し,実証する。
論文 参考訳（メタデータ） (2020-09-18T06:37:52Z) - Learning Diverse Representations for Fast Adaptation to Distribution
Shift [78.83747601814669]
本稿では,複数のモデルを学習する手法を提案する。
分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
論文 参考訳（メタデータ） (2020-06-12T12:23:50Z) - Assurance Monitoring of Cyber-Physical Systems with Machine Learning
Components [2.1320960069210484]
我々は,サイバー物理システムの保証監視にコンフォメーション予測フレームワークを使用する方法について検討する。
リアルタイムに高次元入力を処理するために,学習モデルの埋め込み表現を用いて非整合性スコアを計算する。
整合性予測を活用することで、この手法は十分に校正された信頼性を提供し、限定された小さなエラー率を保証する監視を可能にする。
論文 参考訳（メタデータ） (2020-01-14T19:34:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。