論文の概要: Applying Machine Learning in Self-Adaptive Systems: A Systematic Literature Review

• arxiv url: http://arxiv.org/abs/2103.04112v1
• Date: Sat, 6 Mar 2021 13:45:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-09 15:08:30.676299
• Title: Applying Machine Learning in Self-Adaptive Systems: A Systematic Literature Review
• Title（参考訳）: 機械学習を自己適応システムに適用する: 体系的文献レビュー
• Authors: Omid Gheibi, Danny Weyns, and Federico Quin
• Abstract要約: 現在、自己適応システムにおける機械学習の使用に関する体系的な概要はない。 我々は、従来のモニター・アナライズ・プラン・エクユートフィードバックループ(MAPE)に基づく自己適応システムに焦点を当てる。 研究の質問は、自己適応システムにおける機械学習の使用を動機づける問題、自己適応における学習の重要なエンジニアリング側面、オープンな課題に焦点を当てている。
• 参考スコア（独自算出の注目度）: 15.953995937484176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, we witness a rapid increase in the use of machine learning in self-adaptive systems. Machine learning has been used for a variety of reasons, ranging from learning a model of the environment of a system during operation to filtering large sets of possible configurations before analysing them. While a body of work on the use of machine learning in self-adaptive systems exists, there is currently no systematic overview of this area. Such overview is important for researchers to understand the state of the art and direct future research efforts. This paper reports the results of a systematic literature review that aims at providing such an overview. We focus on self-adaptive systems that are based on a traditional Monitor-Analyze-Plan-Execute feedback loop (MAPE). The research questions are centred on the problems that motivate the use of machine learning in self-adaptive systems, the key engineering aspects of learning in self-adaptation, and open challenges. The search resulted in 6709 papers, of which 109 were retained for data collection. Analysis of the collected data shows that machine learning is mostly used for updating adaptation rules and policies to improve system qualities, and managing resources to better balance qualities and resources. These problems are primarily solved using supervised and interactive learning with classification, regression and reinforcement learning as the dominant methods. Surprisingly, unsupervised learning that naturally fits automation is only applied in a small number of studies. Key open challenges in this area include the performance of learning, managing the effects of learning, and dealing with more complex types of goals. From the insights derived from this systematic literature review we outline an initial design process for applying machine learning in self-adaptive systems that are based on MAPE feedback loops.
• Abstract（参考訳）: 近年,自己適応型システムにおける機械学習の利用が急速に増加している。 機械学習は、操作中のシステムの環境のモデルを学習することから、分析する前に可能な構成の大きなセットをフィルタリングすることまで、さまざまな理由で使用されている。 自己適応システムにおける機械学習の利用に関する一連の研究は存在するが、現在この分野の体系的な概観はない。 このような概要は、研究者が芸術の現状と直接的な将来の研究の取り組みを理解するために重要です。 本稿では,このような概要を提供するための体系的な文献レビューの結果を報告する。 我々は,従来のモニタ・アナライズ・プラン・実行フィードバックループ(mape)に基づく自己適応型システムに注目した。 研究の質問は、自己適応システムにおける機械学習の使用を動機づける問題、自己適応における学習の重要なエンジニアリング側面、オープンな課題に焦点を当てている。 その結果6709件の論文が収集され、109件が収集された。 収集されたデータを分析すると、機械学習は主に適応ルールとポリシーをアップデートしてシステム品質を改善し、品質とリソースのバランスをとるためにリソースを管理するために使われることが分かる。 これらの問題は、主に分類、回帰、強化学習を主体とした教師あり対話的な学習を用いて解決される。 驚くことに、自然に自動化に適合する教師なし学習は、少数の研究でしか適用されない。 この領域における主要なオープン課題は、学習のパフォーマンス、学習の効果の管理、より複雑なタイプの目標への対処である。 この体系的な文献レビューから得られた知見から,MAPEフィードバックループに基づく自己適応型システムに機械学習を適用するための初期設計プロセスについて概説する。

関連論文リスト

• A Systems Theoretic Approach to Online Machine Learning [3.6458439734112695]
  オンライン学習の機械学習の定式化は、システム理論の観点からは不完全である。 このフレームワークはインプット・アウトプット・システムの観点から定式化され、さらにシステム構造とシステム挙動に分けられる。 この研究は、システム行動特性の一部として、コンセプトドリフトに正式にアプローチする。
  論文  参考訳（メタデータ） (2024-04-04T19:36:47Z)
• Application-Driven Innovation in Machine Learning [56.85396167616353]
  機械学習におけるアプリケーション駆動研究のパラダイムについて述べる。 このアプローチがメソッド駆動の作業と生産的に相乗効果を示す。 このようなメリットにもかかわらず、マシンラーニングにおけるレビュー、採用、教育のプラクティスが、アプリケーション主導のイノベーションを後押しすることが多いことに気付きます。
  論文  参考訳（メタデータ） (2024-03-26T04:59:27Z)
• ALT: An Automatic System for Long Tail Scenario Modeling [15.76033166478158]
  この問題に対処するために,ALTという自動システムを提案する。 各種自動機械学習関連技術を活用するなど,我々のシステムで使用されるアルゴリズムを改善するために,いくつかの取り組みがなされている。 システムを構築するには、システムの観点から多くの最適化が行われ、本質的なモジュールは武装している。
  論文  参考訳（メタデータ） (2023-05-19T02:35:39Z)
• Awareness requirement and performance management for adaptive systems: a survey [13.406015141662879]
  自己適応型ソフトウェアは、プログラムが意図通りに実行されていないことや、改善された機能や性能が利用可能であるときに、その振る舞いを変更することができる。 本稿では,要求意識の文脈における自己適応システムのレビューを行い,最も一般的な方法論を要約する。
  論文  参考訳（メタデータ） (2023-01-22T14:27:11Z)
• Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
  AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。 データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
  論文  参考訳（メタデータ） (2022-11-27T13:07:14Z)
• Don't Start From Scratch: Leveraging Prior Data to Automate Robotic Reinforcement Learning [70.70104870417784]
  強化学習(RL)アルゴリズムは、ロボットシステムの自律的なスキル獲得を可能にするという約束を持っている。 現実のロボットRLは、通常、環境をリセットするためにデータ収集と頻繁な人間の介入を必要とする。 本研究では,従来のタスクから収集した多様なオフラインデータセットを効果的に活用することで,これらの課題にどのように対処できるかを検討する。
  論文  参考訳（メタデータ） (2022-07-11T08:31:22Z)
• 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)
• On the Impact of Applying Machine Learning in the Decision-Making of Self-Adaptive Systems [17.93069260609691]
  計算学習理論を用いて、検証者による予測に対する機械学習手法の影響に関する理論的境界を決定する。 最後に、この分野における今後の研究の機会を検討します。
  論文  参考訳（メタデータ） (2021-03-18T11:59:50Z)
• Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
  機械学習の研究は転換点にある。 研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。 このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
  論文  参考訳（メタデータ） (2020-12-21T15:07:19Z)
• Ethical behavior in humans and machines -- Evaluating training data quality for beneficial machine learning [0.0]
  本研究では、教師付き機械学習アプリケーションのためのデータ品質の新しい次元について述べる。 本研究の目的は、その行動の倫理的評価に基づいて、トレーニングデータをどのように選択できるかを説明することである。
  論文  参考訳（メタデータ） (2020-08-26T09:48:38Z)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)

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。