論文の概要: On the Impact of Applying Machine Learning in the Decision-Making of Self-Adaptive Systems

• arxiv url: http://arxiv.org/abs/2103.10194v1
• Date: Thu, 18 Mar 2021 11:59:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-19 13:52:37.731193
• Title: On the Impact of Applying Machine Learning in the Decision-Making of Self-Adaptive Systems
• Title（参考訳）: 自己適応型システムの意思決定における機械学習の適用効果について
• Authors: Omid Gheibi, Danny Weyns, Federico Quin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 17.93069260609691
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, we have been witnessing an increasing use of machine learning methods in self-adaptive systems. Machine learning methods offer a variety of use cases for supporting self-adaptation, e.g., to keep runtime models up to date, reduce large adaptation spaces, or update adaptation rules. Yet, since machine learning methods apply in essence statistical methods, they may have an impact on the decisions made by a self-adaptive system. Given the wide use of formal approaches to provide guarantees for the decisions made by self-adaptive systems, it is important to investigate the impact of applying machine learning methods when such approaches are used. In this paper, we study one particular instance that combines linear regression to reduce the adaptation space of a self-adaptive system with statistical model checking to analyze the resulting adaptation options. We use computational learning theory to determine a theoretical bound on the impact of the machine learning method on the predictions made by the verifier. We illustrate and evaluate the theoretical result using a scenario of the DeltaIoT artifact. To conclude, we look at opportunities for future research in this area.
• Abstract（参考訳）: 近年,自己適応型システムにおける機械学習手法の利用が増加している。 機械学習メソッドは、ランタイムモデルを最新に保つ、大きな適応スペースを減らす、適応ルールを更新するなど、自己適応をサポートするさまざまなユースケースを提供する。 しかし、機械学習手法は本質的に統計的手法で適用されるため、自己適応システムによる決定に影響を及ぼす可能性がある。 自己適応型システムによる決定の保証を提供するための形式的アプローチが広範に採用されていることを踏まえ,そのような手法を用いた場合の機械学習手法の適用の影響を検討することが重要である。 本稿では,線形回帰を組み合わせることによって,自己適応システムの適応空間と統計的モデルチェックを削減し,結果の適応オプションを分析する。 計算機学習理論を用いて,検証者による予測に対する機械学習法の影響を理論的に決定する。 DeltaIoTアーティファクトのシナリオを用いて理論的結果を説明し,評価する。 結論として,本分野における今後の研究の機会を考察する。

関連論文リスト

• Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments [50.310636905746975]
  実世界の機械学習システムは、基礎となるデータ生成プロセスの分散シフトによって、モデルの性能劣化に遭遇することが多い。 概念のドリフト適応のような既存のシフトへのアプローチは、その理性に依存しない性質によって制限される。 我々はこれらの制限を克服するために自己修復機械学習(SHML)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T20:05:51Z)
• Unlearning with Control: Assessing Real-world Utility for Large Language Model Unlearning [97.2995389188179]
  最近の研究は、勾配上昇(GA)を通した大規模言語モデル(LLM)の未学習にアプローチし始めている。 その単純さと効率性にもかかわらず、我々はGAベースの手法が過剰な未学習の傾向に直面することを示唆している。 過剰な未学習の度合いを制御できるいくつかの制御手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T14:41:00Z)
• Self-consistent Validation for Machine Learning Electronic Structure [81.54661501506185]
  機械学習と自己整合フィールド法を統合して,検証コストの低減と解釈可能性の両立を実現する。 これにより、積極的学習によるモデルの能力の探索が可能となり、実際の研究への統合への信頼がもたらされる。
  論文  参考訳（メタデータ） (2024-02-15T18:41:35Z)
• Fairness Implications of Heterogeneous Treatment Effect Estimation with Machine Learning Methods in Policy-making [0.0]
  予測機械学習の標準的なAIフェアネスアプローチは、すべての因果機械学習アプリケーションに適していないと我々は主張する。 政策決定は、通常、因果的機械学習モデルが間接的な力しか持たないような共同決定である、と我々は主張する。
  論文  参考訳（メタデータ） (2023-09-02T03:06:14Z)
• Predictive machine learning for prescriptive applications: a coupled training-validating approach [77.34726150561087]
  規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。 このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。 合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
  論文  参考訳（メタデータ） (2021-10-22T15:03:20Z)
• Adaptive Learning on Time Series: Method and Financial Applications [0.0]
  適応学習(Adaptive Learning)は、複数の予測地平線を越えたS&P 500リターンの予測に使用しています。 アダプティブ・ラーニング・モデルは、パラメトリック・モデルの最も優れたものが後部モデルと同等である。 本稿では,2020年の市場崩壊における学習成果の財務的応用と学習体制の解釈について述べる。
  論文  参考訳（メタデータ） (2021-10-21T13:59:54Z)
• Towards Better Adaptive Systems by Combining MAPE, Control Theory, and Machine Learning [16.998805882711864]
  適応システムを設計するための2つの確立されたアプローチは、監視分析計画実行ループを使用するアーキテクチャベースの適応と、適応を実現するための制御理論(ct)の原則に依存する制御ベースの適応である。 私たちは、これらのアプローチが相互にどのように関連しているか、それらを組み合わせて機械学習をサポートすることがよりよい適応システムを生み出すかどうか、という問題に関係しています。 我々は、クラウドベースのエンタープライズシステムのシナリオを用いて、異なる適応アプローチを組み合わせる動機付け、異なるアプローチを組み合わせる際に分析を説明する。
  論文  参考訳（メタデータ） (2021-03-19T15:00:08Z)
• Applying Machine Learning in Self-Adaptive Systems: A Systematic Literature Review [15.953995937484176]
  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。
  論文  参考訳（メタデータ） (2021-03-06T13:45:59Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Anticipating the Long-Term Effect of Online Learning in Control [75.6527644813815]
  AntLerは、学習を予想する学習ベースの制御法則の設計アルゴリズムである。 AntLer は確率 1 と任意に最適な解を近似することを示す。
  論文  参考訳（メタデータ） (2020-07-24T07:00:14Z)

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。