Fugu-MT 論文翻訳(概要): Faster than LASER -- Towards Stream Reasoning with Deep Neural Networks

論文の概要: Faster than LASER -- Towards Stream Reasoning with Deep Neural Networks

arxiv url: http://arxiv.org/abs/2106.08457v1
Date: Tue, 15 Jun 2021 22:06:12 GMT
ステータス: 処理完了
システム内更新日: 2021-06-17 17:28:08.268532
Title: Faster than LASER -- Towards Stream Reasoning with Deep Neural Networks
Title（参考訳）: LASERより高速 - ディープニューラルネットワークによるストリーム推論に向けて
Authors: Jo\~ao Ferreira, Diogo Lavado, Ricardo Gon\c{c}alves, Matthias Knorr, Ludwig Krippahl, and Jo\~ao Leite
Abstract要約: Stream Reasonerは、推論とストリーム処理のギャップを埋めることを目指している。 LASERはデータストリーム上の複雑な推論を解析・実行するために設計されたストリーム推論器である。本稿では、時系列予測や分類に特に適していることを示す畳み込みニューラルネットワークと反復ニューラルネットワークが、LASERによる推論を近似するために訓練可能であるかを検討する。
参考スコア（独自算出の注目度）: 0.6649973446180738
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: With the constant increase of available data in various domains, such as the Internet of Things, Social Networks or Smart Cities, it has become fundamental that agents are able to process and reason with such data in real time. Whereas reasoning over time-annotated data with background knowledge may be challenging, due to the volume and velocity in which such data is being produced, such complex reasoning is necessary in scenarios where agents need to discover potential problems and this cannot be done with simple stream processing techniques. Stream Reasoners aim at bridging this gap between reasoning and stream processing and LASER is such a stream reasoner designed to analyse and perform complex reasoning over streams of data. It is based on LARS, a rule-based logical language extending Answer Set Programming, and it has shown better runtime results than other state-of-the-art stream reasoning systems. Nevertheless, for high levels of data throughput even LASER may be unable to compute answers in a timely fashion. In this paper, we study whether Convolutional and Recurrent Neural Networks, which have shown to be particularly well-suited for time series forecasting and classification, can be trained to approximate reasoning with LASER, so that agents can benefit from their high processing speed.
Abstract（参考訳）: モノのインターネット、ソーシャルネットワーク、スマートシティなど、さまざまな領域で利用可能なデータが継続的に増えているため、エージェントがそのようなデータをリアルタイムで処理し、推論できることが基本になっている。背景知識を持つタイムアノテートデータに対する推論は困難であるが、そのようなデータが生成される量と速度のため、エージェントが潜在的な問題を発見する必要があるシナリオではそのような複雑な推論が必要である。 Stream Reasonerは、推論とストリーム処理のギャップを埋めることを目的としており、LASERはデータのストリームを解析し、複雑な推論を実行するように設計されている。回答セットプログラミングを拡張するルールベースの論理言語であるlarsをベースとしており、他の最先端ストリーム推論システムよりも優れたランタイム結果を示している。それでも高いレベルのデータスループットでは、レーザーでさえタイムリーに答えを計算できない可能性がある。本稿では,時系列予測や分類に特に適していることを示す畳み込みニューラルネットワークとリカレントニューラルネットワークを,レーザーによる推論の近似化に訓練することで,エージェントの処理速度の向上を実現した。

関連論文リスト

Adaptive Stream Processing on Edge Devices through Active Inference [5.5676731834895765]
アクティブ推論(AIF)に基づく新しい機械学習パラダイムを提案する。 AIFは、脳が長期的サプライズを減らすために感覚情報を常に予測し、評価する方法を記述している。本手法は意思決定の完全透明性を保証し,結果の解釈とトラブルシューティングを無力化する。
論文参考訳（メタデータ） (2024-09-26T15:12:41Z)
State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
論文参考訳（メタデータ） (2024-06-13T12:51:22Z)
Temporal Spiking Neural Networks with Synaptic Delay for Graph Reasoning [91.29876772547348]
スパイキングニューラルネットワーク(SNN)は、生物学的にインスパイアされたニューラルネットワークモデルとして研究されている。本稿では,SNNがシナプス遅延と時間符号化とを併用すると,グラフ推論の実行(知識)に長けていることを明らかにする。
論文参考訳（メタデータ） (2024-05-27T05:53:30Z)
Root Cause Analysis In Microservice Using Neural Granger Causal Discovery [12.35924469567586]
本稿では、ニューラルグラガー因果探索と対照的学習を用いた根本原因解析の新しい手法であるRUNを提案する。 RUNは時系列からコンテキスト情報を統合することでバックボーンエンコーダを強化し、時系列予測モデルを利用して神経グランガー因果発見を行う。さらに、RUNはPagerankをベクターに組み込んで、トップkのルート原因を効率的に推奨している。
論文参考訳（メタデータ） (2024-02-02T04:43:06Z)
Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
大規模空間問題に対する学習効率を向上させるために移動学習を用いる。畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
論文参考訳（メタデータ） (2023-06-14T01:24:42Z)
PARTIME: Scalable and Parallel Processing Over Time with Deep Neural Networks [68.96484488899901]
PartIMEは、データが継続的にストリーミングされるたびにニューラルネットワークを高速化するように設計されたライブラリです。 PartIMEは、ストリームから利用可能になった時点で、各データサンプルの処理を開始する。オンライン学習において、PartialIMEと古典的な非並列ニューラル計算を経験的に比較するために実験が行われる。
論文参考訳（メタデータ） (2022-10-17T14:49:14Z)
OFedQIT: Communication-Efficient Online Federated Learning via Quantization and Intermittent Transmission [7.6058140480517356]
オンライン連合学習(OFL)は、分散ストリーミングデータから非線形関数(またはモデル)のシーケンスを協調的に学習する、有望なフレームワークである。本稿では、量子化と断続伝送を用いた通信効率の高いOFLアルゴリズム(OFedQIT)を提案する。分析の結果,OfedQITは優れた学習精度を維持しつつ,OfedAvgの欠点に対処できることがわかった。
論文参考訳（メタデータ） (2022-05-13T07:46:43Z)
Mitigating Performance Saturation in Neural Marked Point Processes: Architectures and Loss Functions [50.674773358075015]
本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
論文参考訳（メタデータ） (2021-07-07T16:59:14Z)
Deep Neural Networks for Approximating Stream Reasoning with C-SPARQL [0.8677532138573983]
C-SPARQLはRDFデータのストリーム上の連続的なクエリのための言語である。本稿では,C-SPARQLを用いた推論を,リカレントニューラルネットワークと畳み込みニューラルネットワークを用いて近似できるかどうかを検討する。
論文参考訳（メタデータ） (2021-06-15T21:51:47Z)
Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文参考訳（メタデータ） (2020-02-22T14:38:11Z)
LUNAR: Cellular Automata for Drifting Data Streams [19.98517714325424]
セルオートマトンを合理化したLUNARを提案する。ドリフト条件に適応しながら、本当の漸進的な学習者として振る舞うことができる。
論文参考訳（メタデータ） (2020-02-06T09:10:43Z)

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。