論文の概要: Proactive Tasks Management based on a Deep Learning Model
- arxiv url: http://arxiv.org/abs/2007.12857v2
- Date: Fri, 31 Jul 2020 14:27:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 01:28:04.418557
- Title: Proactive Tasks Management based on a Deep Learning Model
- Title（参考訳）: ディープラーニングモデルに基づく積極的なタスク管理
- Authors: Kostas Kolomvatsos, Christos Anagnotopoulos
- Abstract要約: 要求に基づいて,知的かつ積極的なタスク管理モデルを提案する。
私たちはDeep Machine Learning(DML)モデル、より具体的にはLong Short Term Memory(LSTM)ネットワークに依存しています。
提案手法は,最も効率的なアロケーションを導出しながら,ハエを決定できることを示す。
- 参考スコア（独自算出の注目度）: 9.289846887298852
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pervasive computing applications deal with intelligence surrounding users
that can facilitate their activities. This intelligence is provided in the form
of software components incorporated in embedded systems or devices in close
distance with end users.One example infrastructure that can host intelligent
pervasive services is the Edge Computing (EC) infrastructure. EC nodes can
execute a number of tasks for data collected by devices present in the Internet
of Things (IoT) infrastructure. In this paper, we propose an intelligent,
proactive tasks management model based on the demand. Demand depicts the number
of users or applications interested in using the available tasks in EC nodes,
thus, characterizing their popularity. We rely on a Deep Machine Learning (DML)
model and more specifically on a Long Short Term Memory (LSTM) network to learn
the distribution of demand indicators for each task and estimate the future
interest. This information is combined with historical observations and support
a decision making scheme to conclude which tasks will be offloaded due to
limited interest on them. We have to notice that in our decision making, we
also take into consideration the load that every task may add to the processing
node where it will be allocated. The description of our model is accompanied by
a large set of experimental simulations for evaluating the proposed mechanism.
We provide numerical results and reveal that the proposed scheme is capable of
deciding on the fly while concluding the most efficient allocation.
- Abstract（参考訳）: 広く普及するコンピューティングアプリケーションは、アクティビティを促進するユーザを取り巻くインテリジェンスを扱う。
このインテリジェンスは、組み込みシステムやエンドユーザーとの密接な距離にあるデバイスに組み込まれたソフトウェアコンポーネントという形で提供される。
ecノードはiot(internet of things)インフラストラクチャに存在するデバイスが収集したデータに対して,さまざまなタスクを実行することができる。
本稿では,要求に基づく知的かつ積極的なタスク管理モデルを提案する。
デマンドはECノードで利用可能なタスクの使用に関心のあるユーザやアプリケーションの数を表しており、その人気を特徴づけている。
我々は、Deep Machine Learning(DML)モデル、特にLong Short Term Memory(LSTM)ネットワークを利用して、各タスクに対する需要指標の分布を学習し、将来の関心を見積もる。
この情報は歴史的な観察と組み合わされ、限られた関心のためにどのタスクがオフロードされるかを決定する意思決定スキームをサポートする。
意思決定において、各タスクが割り当てられる処理ノードに追加される可能性のある負荷も考慮に入れておく必要があります。
本モデルには,提案機構を評価するための実験シミュレーションが多数添付されている。
提案手法は,最も効率的な割当を結論づけつつ,飛べば決定できることを示す。
関連論文リスト
- AVIS: Autonomous Visual Information Seeking with Large Language Model
Agent [123.75169211547149]
本稿では,視覚的質問応答フレームワークAVISを提案する。
本手法は,LLM(Large Language Model)を利用して外部ツールの利用を動的に強化する。
AVIS は Infoseek や OK-VQA などの知識集約型視覚質問応答ベンチマークの最先端結果を達成する。
論文 参考訳（メタデータ） (2023-06-13T20:50:22Z) - HiNet: Novel Multi-Scenario & Multi-Task Learning with Hierarchical Information Extraction [50.40732146978222]
マルチシナリオとマルチタスク学習は、産業アプリケーションにおける多くのレコメンデーションシステムに広く応用されている。
階層型情報抽出ネットワーク(HiNet)を提案する。
HiNetは、新しい最先端のパフォーマンスを実現し、既存のソリューションを大幅に上回っている。
論文 参考訳（メタデータ） (2023-03-10T17:24:41Z) - On-device Training: A First Overview on Existing Systems [6.551096686706628]
リソース制約のあるデバイスにいくつかのモデルをデプロイする努力も行われている。
この研究は、デバイス上でモデルトレーニングを可能にする最先端のシステム研究を要約し、分析することを目的としている。
論文 参考訳（メタデータ） (2022-12-01T19:22:29Z) - Retrieval-Enhanced Machine Learning [110.5237983180089]
本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。
REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。
REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
論文 参考訳（メタデータ） (2022-05-02T21:42:45Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳（メタデータ） (2021-10-28T08:14:57Z) - An Intelligent Edge-Centric Queries Allocation Scheme based on Ensemble
Models [16.75218291152252]
Internet of Things(IoT)とEdge Computing(EC)は、エンドユーザの活動を促進する新しいアプリケーションのデリバリを支援する。
IoTインフラストラクチャに存在する多数のデバイスによって収集されたデータは、分析のプロビジョニングの処理タスクの対象となるECノードのセットにホストすることができる。
本稿では,クエリを適切なECノードに割り当てる決定を支援するメタアンサンブル学習方式を提案する。
論文 参考訳（メタデータ） (2020-08-12T16:32:46Z) - Data Synopses Management based on a Deep Learning Model [14.180331276028662]
データシナプスをECノードに配信することで、ピアに存在するデータと完全に整合したオフロード決定を行うことが可能になる、と私たちは主張する。
我々のアプローチは、計算されたシナプスの分布を学習し、将来の傾向を推定するディープラーニングモデルである。
論文 参考訳（メタデータ） (2020-08-01T12:04:21Z) - An Intelligent Scheme for Uncertainty Management of Data Synopses
Management in Pervasive Computing Applications [9.289846887298852]
IoT(Internet of Things)デバイスは、エッジコンピューティング(EC)とクラウドにそれらを転送する環境データを収集して、さらなる処理を行う。
ECノードは、さまざまな処理アクティビティが行われる分散データセットのホストになる可能性がある。
この協力的アプローチを結論付ける上で重要な問題は、ECノードに仲間に存在するデータについて知らせるようにデータシナプスを交換することである。
本稿では,データシナプス交換のための不確実性駆動モデルを提案する。
論文 参考訳（メタデータ） (2020-07-24T16:58:51Z) - A Unified Object Motion and Affinity Model for Online Multi-Object
Tracking [127.5229859255719]
オブジェクトの動きと親和性モデルを単一のネットワークに統一する新しいMOTフレームワークUMAを提案する。
UMAは、単一物体追跡とメートル法学習をマルチタスク学習により統合された三重項ネットワークに統合する。
我々は,タスク認識機能学習を促進するために,タスク固有のアテンションモジュールを装備する。
論文 参考訳（メタデータ） (2020-03-25T09:36:43Z)
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。