論文の概要: HAMLET: A Hierarchical Agent-based Machine Learning Platform
- arxiv url: http://arxiv.org/abs/2010.04894v2
- Date: Mon, 29 Nov 2021 01:59:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 22:55:40.492815
- Title: HAMLET: A Hierarchical Agent-based Machine Learning Platform
- Title（参考訳）: hamlet: 階層型エージェントベースの機械学習プラットフォーム
- Authors: Ahmad Esmaeili and John C. Gallagher and John A. Springer and Eric T.
Matson
- Abstract要約: HAMLET (Hierarchical Agent-based Machine LEarning plaTform) は階層型マルチエージェントシステムに基づくハイブリッド機械学習プラットフォームである。
提案システムは、機械学習ソリューションをハイパーグラフとしてモデル化し、異種エージェントのマルチレベル構造を自律的に設定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hierarchical Multi-Agent Systems provide convenient and relevant ways to
analyze, model, and simulate complex systems composed of a large number of
entities that interact at different levels of abstraction. In this paper, we
introduce HAMLET (Hierarchical Agent-based Machine LEarning plaTform), a hybrid
machine learning platform based on hierarchical multi-agent systems, to
facilitate the research and democratization of geographically and/or locally
distributed machine learning entities. The proposed system models a machine
learning solutions as a hypergraph and autonomously sets up a multi-level
structure of heterogeneous agents based on their innate capabilities and
learned skills. HAMLET aids the design and management of machine learning
systems and provides analytical capabilities for research communities to assess
the existing and/or new algorithms/datasets through flexible and customizable
queries. The proposed hybrid machine learning platform does not assume
restrictions on the type of learning algorithms/datasets and is theoretically
proven to be sound and complete with polynomial computational requirements.
Additionally, it is examined empirically on 120 training and four generalized
batch testing tasks performed on 24 machine learning algorithms and 9 standard
datasets. The provided experimental results not only establish confidence in
the platform's consistency and correctness but also demonstrate its testing and
analytical capacity.
- Abstract（参考訳）: 階層型マルチエージェントシステムは、様々な抽象レベルで相互作用する多数のエンティティからなる複雑なシステムを分析し、モデル化し、シミュレートするための便利で適切な方法を提供する。
本稿では、階層型マルチエージェントシステムに基づくハイブリッド機械学習プラットフォームであるHAMLET(Hierarchical Agent-based Machine LEarning plaTform)を導入し、地理的および/または局所分散機械学習エンティティの研究と民主化を容易にする。
提案システムは、機械学習ソリューションをハイパーグラフとしてモデル化し、その能力と学習スキルに基づいて、異種エージェントのマルチレベル構造を自律的に設定する。
HAMLETは機械学習システムの設計と管理を支援し、フレキシブルでカスタマイズ可能なクエリを通じて、研究コミュニティが既存のアルゴリズムやデータセットを評価するための分析機能を提供する。
提案したハイブリッド機械学習プラットフォームは、学習アルゴリズム/データセットの種類に制約を課さず、理論上、多項式計算の要求により完全かつ健全であることが証明されている。
さらに、120のトレーニングと、24の機械学習アルゴリズムと9つの標準データセットで実行される4つの一般的なバッチテストタスクを経験的に検証する。
実験結果は、プラットフォームの一貫性と正確性に対する自信を確立するだけでなく、テストと分析能力の実証も行った。
関連論文リスト
- Coupling Machine Learning with Ontology for Robotics Applications [0.0]
動的シナリオにおける事前知識の可用性の欠如は、間違いなくスケーラブルなマシンインテリジェンスにとって大きな障壁である。
二つの階層間の相互作用についての私の見解は、知識が知識ベース層で容易に利用できない場合、他の階層からより多くの知識を抽出できるという考えに基づいている。
論文 参考訳（メタデータ） (2024-06-08T23:38:03Z) - Hybrid Algorithm Selection and Hyperparameter Tuning on Distributed
Machine Learning Resources: A Hierarchical Agent-based Approach [0.0]
本稿では,分散された機械学習アルゴリズムを選択するための,完全自動協調型エージェントベース機構を提案する。
我々の解は完全に正解であり、利用可能な資源の大きさに関連して線形時間と空間の複雑さを示す。
論文 参考訳（メタデータ） (2023-09-12T21:07:23Z) - An Entropy-Based Model for Hierarchical Learning [3.1473798197405944]
実世界のデータセットに共通する特徴は、データドメインがマルチスケールであることである。
本稿では,このマルチスケールデータ構造を利用した学習モデルを提案する。
階層的な学習モデルは、人間の論理的かつ進歩的な学習メカニズムにインスパイアされている。
論文 参考訳（メタデータ） (2022-12-30T13:14:46Z) - 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) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳（メタデータ） (2021-08-09T17:39:09Z) - Multi-Robot Deep Reinforcement Learning for Mobile Navigation [82.62621210336881]
階層的統合モデル(HInt)を用いた深層強化学習アルゴリズムを提案する。
トレーニング時には、HIntは別々の知覚モデルとダイナミクスモデルを学び、テスト時には、HIntは2つのモデルを階層的な方法で統合し、統合モデルとアクションを計画する。
我々のモバイルナビゲーション実験は、HIntが従来の階層的ポリシーや単一ソースアプローチよりも優れていることを示している。
論文 参考訳（メタデータ） (2021-06-24T19:07:40Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳（メタデータ） (2020-12-29T23:43:16Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z) - Self-organizing Democratized Learning: Towards Large-scale Distributed
Learning Systems [71.14339738190202]
民主化された学習(Dem-AI)は、大規模な分散および民主化された機械学習システムを構築するための基本原則を備えた全体主義的哲学を定めている。
本稿では,Dem-AI哲学にヒントを得た分散学習手法を提案する。
提案アルゴリズムは,従来のFLアルゴリズムと比較して,エージェントにおける学習モデルの一般化性能が向上することを示す。
論文 参考訳（メタデータ） (2020-07-07T08:34:48Z) - Manifold for Machine Learning Assurance [9.594432031144716]
本稿では,機械学習(ML)システムにおいて,要求システムを暗黙的に記述した高次元学習データから抽出する機械学習手法を提案する。
その後、テストの精度測定、テスト入力生成、ターゲットのMLシステムの実行時の監視など、さまざまな品質保証タスクに利用されます。
予備実験により, 提案手法により, 試験精度が試験データの多様性を推し進めるとともに, テスト生成手法が故障を防止し, 現実的なテストケースを生み出すことが確認され, 実行時モニタリングは, 対象システムの出力の信頼性を独立的に評価する手段を提供する。
論文 参考訳（メタデータ） (2020-02-08T11:39:01Z) - LIMITS: Lightweight Machine Learning for IoT Systems with Resource
Limitations [8.647853543335662]
我々は、IoTシステムのための新しいオープンソースのフレームワークLIghtweight Machine Learning(LIMITS)を紹介する。
LIMITSは、ターゲットIoTプラットフォームの実際のコンパイルツールチェーンを明示的に考慮した、プラットフォーム・イン・ザ・ループのアプローチを適用している。
LIMITSを携帯電話データレート予測と無線車種分類に応用し,その妥当性を検証した。
論文 参考訳（メタデータ） (2020-01-28T06:34:35Z)
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。