論文の概要: Data Synopses Management based on a Deep Learning Model
- arxiv url: http://arxiv.org/abs/2008.01560v1
- Date: Sat, 1 Aug 2020 12:04:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 01:13:42.268291
- Title: Data Synopses Management based on a Deep Learning Model
- Title（参考訳）: 深層学習モデルに基づくデータ合成管理
- Authors: Panagiotis Fountas, Kostas Kolomvatsos, Christos Anagnostopoulos
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 14.180331276028662
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pervasive computing involves the placement of processing services close to
end users to support intelligent applications. With the advent of the Internet
of Things (IoT) and the Edge Computing (EC), one can find room for placing
services at various points in the interconnection of the aforementioned
infrastructures. Of significant importance is the processing of the collected
data. Such a processing can be realized upon the EC nodes that exhibit
increased computational capabilities compared to IoT devices. An ecosystem of
intelligent nodes is created at the EC giving the opportunity to support
cooperative models. Nodes become the hosts of geo-distributed datasets
formulated by the IoT devices reports. Upon the datasets, a number of
queries/tasks can be executed. Queries/tasks can be offloaded for performance
reasons. However, an offloading action should be carefully designed being
always aligned with the data present to the hosting node. In this paper, we
present a model to support the cooperative aspect in the EC infrastructure. We
argue on the delivery of data synopses to EC nodes making them capable to take
offloading decisions fully aligned with data present at peers. Nodes exchange
data synopses to inform their peers. We propose a scheme that detects the
appropriate time to distribute synopses trying to avoid the network overloading
especially when synopses are frequently extracted due to the high rates at
which IoT devices report data to EC nodes. Our approach involves a Deep
Learning model for learning the distribution of calculated synopses and
estimate future trends. Upon these trends, we are able to find the appropriate
time to deliver synopses to peer nodes. We provide the description of the
proposed mechanism and evaluate it based on real datasets. An extensive
experimentation upon various scenarios reveals the pros and cons of the
approach by giving numerical results.
- Abstract（参考訳）: 分散コンピューティングは、インテリジェントアプリケーションをサポートするためにエンドユーザに近い処理サービスを配置する。
IoT(Internet of Things)とエッジコンピューティング(Edge Computing)の出現により、前述のインフラストラクチャの相互接続において、さまざまなポイントにサービスを配置する余地を見つけることができる。
重要な点は収集したデータの処理である。
このような処理は、IoTデバイスと比較して計算能力の増大を示すECノード上で実現可能である。
インテリジェントノードのエコシステムがECで作成され、協調モデルをサポートする機会を提供する。
ノードは、iotデバイスレポートで定式化された地理的分散データセットのホストになる。
データセットでは、いくつかのクエリ/タスクを実行できます。
クエリ/タスクはパフォーマンス上の理由からオフロードできる。
しかしながら、オフローディングアクションは、ホストノードに存在するデータと常に一致して、慎重に設計されるべきである。
本稿では,ECインフラにおける協調的側面を支援するためのモデルを提案する。
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えるようにしています。
ノードはデータを交換して仲間に知らせる。
本稿では,IoTデバイスがデータをECノードに報告する頻度が高いため,特にシナプスを頻繁に抽出する場合に,ネットワーク過負荷を回避するためのシナプス配布の適切な時間を検出する手法を提案する。
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。
これらのトレンドに基づいて、ピアノードにシナプスを提供する適切な時間を見つけることができます。
提案するメカニズムを記述し,実際のデータセットに基づいて評価する。
様々なシナリオに対する広範な実験は、数値的な結果を与えることでアプローチの長所と短所を明らかにする。
関連論文リスト
- Distributed Learning over Networks with Graph-Attention-Based
Personalization [49.90052709285814]
分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。
特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。
グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
論文 参考訳（メタデータ） (2023-05-22T13:48:30Z) - Multi-Edge Server-Assisted Dynamic Federated Learning with an Optimized
Floating Aggregation Point [51.47520726446029]
協調エッジ学習(CE-FL)は、分散機械学習アーキテクチャである。
CE-FLの過程をモデル化し,分析訓練を行った。
実世界のテストベッドから収集したデータを用いて,本フレームワークの有効性を示す。
論文 参考訳（メタデータ） (2022-03-26T00:41:57Z) - 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) - A communication efficient distributed learning framework for smart
environments [0.4898659895355355]
本稿では,データ生成箇所にデータ分析を近づける分散学習フレームワークを提案する。
分散機械学習技術を使用することで、クラウドソリューションに匹敵するパフォーマンスを確保しながら、ネットワークオーバーヘッドを大幅に削減することができる。
分析はまた、ノード上のデータの特定の分布に基づいて、各分散学習アプローチがいつ好ましいかを示す。
論文 参考訳（メタデータ） (2021-09-27T13:44:34Z) - A Proactive Management Scheme for Data Synopses at the Edge [20.711789781518753]
Edge Computingエコシステムに多数の処理ノードがあるIoT(Internet of Things)は、インテリジェントアプリケーションをサポートするための新たな経路を開く。
このようなアプリケーションは、ネットワークを介してエッジノードに転送されるIoTデバイスによって収集された膨大な量のデータに対して提供される。
議論されたデータ上でさまざまな処理アクティビティを実行することができ、ECノード間の複数の協調的な機会は、望ましいタスクの実行を容易にします。
本稿では、類似したデータを持つピアノードについて必要な知識を提供するために、ECノード間の実際のデータよりもデータシナプスの交換を推奨する。
論文 参考訳（メタデータ） (2021-07-22T10:22:37Z) - Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT
Networks [96.24723959137218]
We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。
フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。
提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
論文 参考訳（メタデータ） (2020-11-25T12:51:59Z) - 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) - Proactive Tasks Management based on a Deep Learning Model [9.289846887298852]
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。
論文 参考訳（メタデータ） (2020-07-25T05:28:14Z) - 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 Privacy-Preserving Distributed Architecture for
Deep-Learning-as-a-Service [68.84245063902908]
本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。
クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
論文 参考訳（メタデータ） (2020-03-30T15:12:03Z)
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。