論文の概要: Towards Better Adaptive Systems by Combining MAPE, Control Theory, and
Machine Learning
- arxiv url: http://arxiv.org/abs/2103.10847v1
- Date: Fri, 19 Mar 2021 15:00:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 14:22:42.031068
- Title: Towards Better Adaptive Systems by Combining MAPE, Control Theory, and
Machine Learning
- Title(参考訳): MAPE, 制御理論, 機械学習を組み合わせた適応システムの実現に向けて
- Authors: Danny Weyns, Bradley Schmerl, Masako Kishida, Alberto Leva, Marin
Litoiu, Necmiye Ozay, Colin Paterson, Kenji Tei
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 16.998805882711864
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Two established approaches to engineer adaptive systems are
architecture-based adaptation that uses a Monitor-Analysis-Planning-Executing
(MAPE) loop that reasons over architectural models (aka Knowledge) to make
adaptation decisions, and control-based adaptation that relies on principles of
control theory (CT) to realize adaptation. Recently, we also observe a rapidly
growing interest in applying machine learning (ML) to support different
adaptation mechanisms. While MAPE and CT have particular characteristics and
strengths to be applied independently, in this paper, we are concerned with the
question of how these approaches are related with one another and whether
combining them and supporting them with ML can produce better adaptive systems.
We motivate the combined use of different adaptation approaches using a
scenario of a cloud-based enterprise system and illustrate the analysis when
combining the different approaches. To conclude, we offer a set of open
questions for further research in this interesting area.
- Abstract(参考訳): 適応システムを構築するための2つの確立されたアプローチは、アーキテクチャモデル(別名知識)が適応を決定する理由となるMAPE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。
近年、異なる適応メカニズムをサポートするために機械学習(ml)を適用することへの関心も急速に高まっている。
本論文では,MAPE と CT は独立して適用すべき特性と強度を有するが,これらのアプローチが相互にどのように関連し,それらをML と組み合わせてサポートすることにより,より優れた適応システムを実現するかという問題に対処する。
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。
結論として、この興味深い分野のさらなる研究のために、オープンな質問のセットを提供する。
関連論文リスト
- Adapt On-the-Go: Behavior Modulation for Single-Life Robot Deployment [92.48012013825988]
展開中のシナリオにオンザフライで適応する問題について検討する。
ROAM(RObust Autonomous Modulation)は,事前学習した行動の知覚値に基づくメカニズムを提案する。
ROAMによりロボットはシミュレーションと実Go1の四足歩行の両方の動的変化に迅速に適応できることを示す。
論文 参考訳(メタデータ) (2023-11-02T08:22:28Z) - Self-Adaptive Large Language Model (LLM)-Based Multiagent Systems [0.0]
本稿では,大規模言語モデル(LLM)をマルチエージェントシステムに統合することを提案する。
我々は、モニタリング、分析、計画、システム適応の実行において堅牢なサポートで有名であるMAPE-Kモデルに、我々の方法論を固定する。
論文 参考訳(メタデータ) (2023-07-12T14:26:46Z) - Reducing Large Adaptation Spaces in Self-Adaptive Systems Using Machine
Learning [10.444983001376874]
ML2ASR+は、適応空間削減のための機械学習の略である。
インターネット・オブ・シングス・アプリケーションとサービス・ベース・システムという,適応空間のサイズが異なる2つのアプリケーションに対してML2ASR+を評価する。
その結果,ML2ASR+は異なる種類の目標に対応するために適用可能であり,適応空間を減少させることができ,適応目標の実現に無視できない影響で90%以上の適応決定を行うことができることがわかった。
論文 参考訳(メタデータ) (2023-06-02T09:49:33Z) - Human Machine Co-adaption Interface via Cooperation Markov Decision
Process System [8.68491060014975]
本稿では,モデルに基づく強化学習による協調適応手法を提案する。
本研究では,ロボット支援リハビリテーションの全過程を協調的・相互学習プロセスとして扱う。
論文 参考訳(メタデータ) (2023-05-03T12:00:53Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳(メタデータ) (2021-07-08T18:01:02Z) - 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) - Adapting User Interfaces with Model-based Reinforcement Learning [47.469980921522115]
インターフェースへの適応には、変更がユーザに与えるポジティブな効果とネガティブな効果の両方を考慮する必要があります。
保守的な適応政策をもたらす適応的ユーザインターフェースの新たなアプローチを提案する。
論文 参考訳(メタデータ) (2021-03-11T17:24:34Z) - Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。
これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
論文 参考訳(メタデータ) (2021-03-01T22:55:48Z) - Meta-Learning with Neural Tangent Kernels [58.06951624702086]
メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。
このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。
本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
論文 参考訳(メタデータ) (2021-02-07T20:53:23Z) - Optimization-Inspired Learning with Architecture Augmentations and
Control Mechanisms for Low-Level Vision [74.9260745577362]
本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。
フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。
低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
論文 参考訳(メタデータ) (2020-12-10T03:24:53Z) - Optimal by Design: Model-Driven Synthesis of Adaptation Strategies for
Autonomous Systems [9.099295007630484]
我々は,自律システムのための最適適応戦略のモデルベース要求駆動型合成のためのフレームワークであるOptimal by Design (ObD)を提案する。
ObDは、自己適応システムの基本的な要素、すなわちシステム、能力、要求、環境の高レベルな記述のためのモデルを提案する。
これらの要素に基づいてマルコフ決定プロセス(MDP)が構築され、最適な戦略や最も報いるシステム行動を計算する。
論文 参考訳(メタデータ) (2020-01-16T12:49:55Z)
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。