論文の概要: Towards autonomic orchestration of machine learning pipelines in future
networks
- arxiv url: http://arxiv.org/abs/2107.08194v1
- Date: Sat, 17 Jul 2021 06:52:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-21 08:58:48.248265
- Title: Towards autonomic orchestration of machine learning pipelines in future
networks
- Title(参考訳): 将来のネットワークにおける機械学習パイプラインの自律的オーケストレーションを目指して
- Authors: Abhishek Dandekar
- Abstract要約: ITUは、将来のネットワークにおけるMLパイプラインの管理とオーケストレーションのためのアーキテクチャフレームワークを提供している。
このフレームワークを拡張して、複数のネットワークドメインにわたるMLパイプラインの自律的なオーケストレーションを可能にします。
私たちの作業は、標準化された技術に依存しない、プライバシ保護の方法で、マルチドメインMLパイプラインの自律的なオーケストレーションを可能にします。
- 参考スコア(独自算出の注目度): 1.631596248545178
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning (ML) techniques are being increasingly used in mobile
networks for network planning, operation, management, optimisation and much
more. These techniques are realised using a set of logical nodes known as ML
pipeline. A single network operator might have thousands of such ML pipelines
distributed across its network. These pipelines need to be managed and
orchestrated across network domains. Thus it is essential to have autonomic
multi-domain orchestration of ML pipelines in mobile networks. International
Telecommunications Union (ITU) has provided an architectural framework for
management and orchestration of ML pipelines in future networks. We extend this
framework to enable autonomic orchestration of ML pipelines across multiple
network domains. We present our system architecture and describe its
application using a smart factory use case. Our work allows autonomic
orchestration of multi-domain ML pipelines in a standardised, technology
agnostic, privacy preserving fashion.
- Abstract(参考訳): 機械学習(ML)技術は、ネットワーク計画、運用、管理、最適化など、モバイルネットワークでますます使われている。
これらのテクニックは、MLパイプラインとして知られる論理ノードのセットを使用して実現されている。
単一のネットワークオペレータは、ネットワーク全体に数千のMLパイプラインを分散させることができる。
これらのパイプラインは、ネットワークドメインをまたいで管理およびオーケストレーションする必要がある。
したがって、モバイルネットワークにおけるMLパイプラインの自律的マルチドメインオーケストレーションが不可欠である。
国際電気通信連合(ITU)は、将来のネットワークにおけるMLパイプラインの管理とオーケストレーションのためのアーキテクチャフレームワークを提供している。
このフレームワークを拡張して、複数のネットワークドメインにわたるMLパイプラインの自律的なオーケストレーションを可能にします。
システムアーキテクチャを示し,その応用をスマートファクトリのユースケースを用いて記述する。
私たちの作業は、標準化された技術に依存しないプライバシー保護の方法で、マルチドメインMLパイプラインの自律的なオーケストレーションを可能にします。
関連論文リスト
- Intelligent Data-Driven Architectural Features Orchestration for Network
Slicing [0.0]
オーケストレーションと機械学習は、ネットワークスライシングプロセスにおいて重要な役割を持つ重要な要素である。
本稿では,機械学習によるネットワークスライシングアーキテクチャの機能と機能のオーケストレーションについて論じる。
分散組込みおよび協調MLエージェントを用いたSFI2アーキテクチャのアタック防止セキュリティ機構を開発した。
論文 参考訳(メタデータ) (2024-01-12T12:32:36Z) - A knowledge-driven AutoML architecture [0.76146285961466]
本稿では,パイプラインと深い特徴合成のための知識駆動型AutoMLアーキテクチャを提案する。
主な目標は、AutoMLプロセスを説明可能なものにし、パイプラインと機能の合成にドメイン知識を活用することです。
論文 参考訳(メタデータ) (2023-11-28T14:31:38Z) - Deep Pipeline Embeddings for AutoML [11.168121941015015]
AutoMLは、最小限の人間の専門知識で機械学習システムを自動デプロイすることで、AIを民主化するための有望な方向である。
既存のパイプライン最適化テクニックでは、パイプラインステージ/コンポーネント間の深いインタラクションを探索できない。
本稿では,機械学習パイプラインのコンポーネント間のディープインタラクションをキャプチャするニューラルアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-05-23T12:40:38Z) - EdnaML: A Declarative API and Framework for Reproducible Deep Learning [2.0632440472879514]
再現可能なディープラーニングのための宣言型APIを備えたフレームワークであるEdnaMLを紹介する。
EdnaMLは、手動で構成できる低レベルのビルディングブロックと、高レベルのパイプラインオーケストレーションAPIを提供する。
大規模なフェイクニュースラベリングと分類システムを含む,EdnaMLを用いたMLパイプラインの例を示す。
論文 参考訳(メタデータ) (2022-11-13T01:27:06Z) - Over-the-Air Split Machine Learning in Wireless MIMO Networks [56.27831295707334]
スプリット機械学習(ML)では、ニューラルネットワーク(NN)の異なるパーティションが異なる計算ノードによって実行される。
通信負担を軽減するため、OAC(Over-the-air calculation)は通信と同時に計算の全てまたは一部を効率的に実装することができる。
論文 参考訳(メタデータ) (2022-10-07T15:39:11Z) - Towards efficient feature sharing in MIMO architectures [102.40140369542755]
マルチインプットのマルチアウトプットアーキテクチャでは、ひとつのベースネットワーク内でマルチワークをトレーニングし、サブネットワーク予測を平均化し、無料でアンサンブルの恩恵を受けることを提案している。
相対的な成功にもかかわらず、これらのアーキテクチャはパラメータの使用に不便である。
この論文では、学習したサブネットワークは、より小さなモバイルやAR/VRデバイスに適用性を制限する汎用的な機能でさえも共有できない点を強調します。
論文 参考訳(メタデータ) (2022-05-20T12:33:34Z) - Joint Superposition Coding and Training for Federated Learning over
Multi-Width Neural Networks [52.93232352968347]
本稿では,2つの相乗的技術,フェデレートラーニング(FL)と幅調整可能なスリムブルニューラルネットワーク(SNN)を統合することを目的とする。
FLは、ローカルに訓練されたモバイルデバイスのモデルを交換することによって、データのプライバシを保護している。しかしながら、SNNは、特に時間変化のあるチャネル条件との無線接続下では、非自明である。
局所モデル更新のためのグローバルモデル集約と重ね合わせ訓練(ST)に重ね合わせ符号化(SC)を併用した通信およびエネルギー効率の高いSNNベースFL(SlimFL)を提案する。
論文 参考訳(メタデータ) (2021-12-05T11:17:17Z) - Is Machine Learning Ready for Traffic Engineering Optimization? [3.960503227928945]
交通工学(TE)は、インターネットの基本的な構成要素である。
本稿では,最新の機械学習(ML)手法がTE最適化に使えるかどうかを解析する。
まず,MLの最新の進歩を生かしたTEのための新しい分散システムを提案する。
本稿では,MARL(Multi-Agent Reinforcement Learning)とGNN(Graph Neural Networks)を組み合わせて,ネットワークの混雑を最小限に抑えるアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-09-03T11:10:14Z) - FENXI: Deep-learning Traffic Analytics at the Edge [69.34903175081284]
本稿では,TPUを利用して複雑な解析を行うシステムであるFENXIを提案する。
FENXIは、さまざまな粒度で動作するオペレーションとトラフィック分析を分離する。
分析の結果,FENXIは限られた資源しか必要とせず,転送ラインレートのトラヒック処理を継続できることがわかった。
論文 参考訳(メタデータ) (2021-05-25T08:02:44Z) - From Federated to Fog Learning: Distributed Machine Learning over
Heterogeneous Wireless Networks [71.23327876898816]
フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。
我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
論文 参考訳(メタデータ) (2020-06-07T05:11:18Z) - The Microsoft Toolkit of Multi-Task Deep Neural Networks for Natural
Language Understanding [97.85957811603251]
MT-DNNはオープンソースの自然言語理解(NLU)ツールキットであり、研究者や開発者がカスタマイズされたディープラーニングモデルを訓練しやすくする。
PyTorchとTransformersをベースとして開発されたMT-DNNは、幅広いNLUタスクの迅速なカスタマイズを容易にするように設計されている。
MT-DNNのユニークな特徴は、対戦型マルチタスク学習パラダイムを用いた堅牢で移動可能な学習のサポートである。
論文 参考訳(メタデータ) (2020-02-19T03:05:28Z)
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。