論文の概要: An Intelligent Edge-Centric Queries Allocation Scheme based on Ensemble Models

• arxiv url: http://arxiv.org/abs/2008.05427v1
• Date: Wed, 12 Aug 2020 16:32:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 04:53:04.027966
• Title: An Intelligent Edge-Centric Queries Allocation Scheme based on Ensemble Models
• Title（参考訳）: アンサンブルモデルに基づくインテリジェントエッジ中心クエリ割り当て方式
• Authors: Kostas Kolomvatsos, Christos Anagnostopoulos
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 16.75218291152252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The combination of Internet of Things (IoT) and Edge Computing (EC) can assist in the delivery of novel applications that will facilitate end users activities. Data collected by numerous devices present in the IoT infrastructure can be hosted into a set of EC nodes becoming the subject of processing tasks for the provision of analytics. Analytics are derived as the result of various queries defined by end users or applications. Such queries can be executed in the available EC nodes to limit the latency in the provision of responses. In this paper, we propose a meta-ensemble learning scheme that supports the decision making for the allocation of queries to the appropriate EC nodes. Our learning model decides over queries' and nodes' characteristics. We provide the description of a matching process between queries and nodes after concluding the contextual information for each envisioned characteristic adopted in our meta-ensemble scheme. We rely on widely known ensemble models, combine them and offer an additional processing layer to increase the performance. The aim is to result a subset of EC nodes that will host each incoming query. Apart from the description of the proposed model, we report on its evaluation and the corresponding results. Through a large set of experiments and a numerical analysis, we aim at revealing the pros and cons of the proposed scheme.
• Abstract（参考訳）: IoT(Internet of Things)とエッジコンピューティング(Edge Computing)の組み合わせは、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。 分析はエンドユーザやアプリケーションが定義するさまざまなクエリの結果から導出されます。 このようなクエリは利用可能なECノードで実行でき、レスポンスのプロビジョニングのレイテンシを制限することができる。 本稿では,適切なecノードにクエリを割り当てるための意思決定を支援するメタセンス学習方式を提案する。 学習モデルはクエリとノードの特性について決定する。 本稿では,我々のメタアンサンブル方式で採用されている各特性のコンテキスト情報をまとめて,クエリとノード間のマッチングプロセスを記述する。 私たちは広く知られているアンサンブルモデルに依存し、それらを組み合わせ、パフォーマンスを高めるために追加の処理層を提供します。 目的は、各クエリーをホストするECノードのサブセットを作成することである。 提案モデルの記述は別として,その評価と対応結果について報告する。 提案手法の長所と短所を明らかにすることを目的として,大規模な実験と数値解析を行った。

関連論文リスト

• An Ensemble Scheme for Proactive Dominant Data Migration of Pervasive Tasks at the Edge [5.4327243200369555]
  本稿では,インフラ内の特定の場所に移動すべき適切なデータの識別について,自律エッジノードで実装する手法を提案する。 我々の目標は、オフロードされたデータ駆動タスクに関連するアクセスパターンを理解できるようにノードに装備することである。 これらのタスクは、元のホスティングノードにないデータの処理に依存することは明らかである。 これらのデータ間隔を推定するために,統計的指向モデルと機械学習フレームワークを統合したアンサンブルアプローチを用いる。
  論文  参考訳（メタデータ） (2024-10-12T19:09:16Z)
• Learning to Explore and Select for Coverage-Conditioned Retrieval-Augmented Generation [17.96176020727917]
  ユーザが特定の範囲の情報を要求するシナリオにおけるクエリアウトラインの役割に焦点を当てる。 C2$のシナリオでは、特定のトピックについて様々な視点で10Kの情報検索クエリであるQTreeを構築します。 検索強化世代(RAG)を対象とした自動評価と人的評価によるアウトライン生成の有効性の分析を行った。
  論文  参考訳（メタデータ） (2024-07-01T10:26:19Z)
• UQE: A Query Engine for Unstructured Databases [71.49289088592842]
  構造化されていないデータ分析を可能にするために,大規模言語モデルの可能性を検討する。 本稿では,非構造化データ収集からの洞察を直接問合せ,抽出するUniversal Query Engine (UQE)を提案する。
  論文  参考訳（メタデータ） (2024-06-23T06:58:55Z)
• SQLNet: Scale-Modulated Query and Localization Network for Few-Shot Class-Agnostic Counting [71.38754976584009]
  CAC(class-agnostic counting)タスクは、最近、任意のクラスの全てのオブジェクトを、入力画像にいくつかの例を付与してカウントする問題を解くために提案されている。 我々は、スケール変調クエリーおよびローカライズネットワーク(Net)と呼ばれる、新しいローカライズベースのCACアプローチを提案する。 クエリとローカライゼーションの段階において、模範者のスケールを完全に探求し、各オブジェクトを正確に位置付けし、その近似サイズを予測することで、効果的なカウントを実現している。
  論文  参考訳（メタデータ） (2023-11-16T16:50:56Z)
• Improving Text Matching in E-Commerce Search with A Rationalizable, Intervenable and Fast Entity-Based Relevance Model [78.80174696043021]
  エンティティベース関連モデル(EBRM)と呼ばれる新しいモデルを提案する。 この分解により、高精度にクロスエンコーダQE関連モジュールを使用できる。 また、ユーザログから自動生成されたQEデータによるQEモジュールの事前トレーニングにより、全体的なパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2023-07-01T15:44:53Z)
• Improved Representation Learning for Session-based Recommendation [0.0]
  セッションベースのレコメンデーションシステムは、短期匿名セッションを用いてユーザの行動や嗜好をモデル化することで、ユーザに対して関連項目を提案する。 既存の方法はグラフニューラルネットワーク(GNN)を利用して、近隣のノードから情報を伝達し集約する。 我々は、よりリッチな表現学習を可能にする目標注意型GNNと組み合わせてトランスフォーマーを提案する。
  論文  参考訳（メタデータ） (2021-07-04T00:57:28Z)
• Text Summarization with Latent Queries [60.468323530248945]
  本稿では,LaQSumについて紹介する。LaQSumは,既存の問合せ形式と抽象的な要約のための文書から遅延クエリを学習する,最初の統一テキスト要約システムである。 本システムでは, 潜伏クエリモデルと条件付き言語モデルとを協調的に最適化し, ユーザがテスト時に任意のタイプのクエリをプラグイン・アンド・プレイできるようにする。 本システムでは,クエリタイプ,文書設定,ターゲットドメインの異なる要約ベンチマークにおいて,強力な比較システムの性能を強く向上させる。
  論文  参考訳（メタデータ） (2021-05-31T21:14:58Z)
• 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)
• 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)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)
• A Revised Generative Evaluation of Visual Dialogue [80.17353102854405]
  本稿では,VisDialデータセットの改訂評価手法を提案する。 モデルが生成した回答と関連する回答の集合のコンセンサスを測定する。 DenseVisDialとして改訂された評価スキームのこれらのセットとコードをリリースする。
  論文  参考訳（メタデータ） (2020-04-20T13:26:45Z)

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。