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
- WDMoE: Wireless Distributed Mixture of Experts for Large Language Models [68.45482959423323]
大規模言語モデル(LLM)は様々な自然言語処理タスクにおいて大きな成功を収めた。
本稿では,無線ネットワーク上での基地局(BS)およびモバイルデバイスにおけるエッジサーバ間のLLMの協調展開を実現するために,無線分散Mixture of Experts(WDMoE)アーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-11-11T02:48:00Z) - Glider: Global and Local Instruction-Driven Expert Router [83.785832410832]
モデルMoErging」手法は、保持タスクのパフォーマンスを犠牲にして、未確認タスクへの一般化を優先する。
マルチスケールルーティング機構を統合したGLIDER(Global and Local Instruction Driven Expert Router)を提案する。
GLIDERは、ホールドアウトタスクの強い一般化を維持しながら、ホールドイン性能を大幅に改善する。
論文 参考訳(メタデータ) (2024-10-09T17:59:14Z) - Instrumentation and Analysis of Native ML Pipelines via Logical Query Plans [3.2362171533623054]
私たちは、データサイエンティストが機械学習パイプラインを開発し、検証し、監視し、分析するのを支援するために、高度に自動化されたソフトウェアプラットフォームを構想しています。
一般的なライブラリに依存したMLパイプラインコードから"論理クエリプラン"を抽出する。
これらの計画に基づいて、パイプラインのセマンティクスとインスツルメンタを自動で推論し、MLパイプラインを書き換えて、データサイエンティストが手動でアノテートしたり、コードを書き換えたりすることなく、さまざまなユースケースを可能にします。
論文 参考訳(メタデータ) (2024-07-10T11:35:02Z) - ROS-LLM: A ROS framework for embodied AI with task feedback and structured reasoning [74.58666091522198]
非専門家による直感的なロボットプログラミングのためのフレームワークを提案する。
ロボットオペレーティングシステム(ROS)からの自然言語のプロンプトと文脈情報を活用する
我々のシステムは,大規模言語モデル (LLM) を統合し,非専門家がチャットインタフェースを通じてシステムにタスク要求を記述できるようにする。
論文 参考訳(メタデータ) (2024-06-28T08:28:38Z) - WDMoE: Wireless Distributed Large Language Models with Mixture of Experts [65.57581050707738]
我々は,Mixture of Experts (MoE)に基づく無線分散大言語モデル(LLM)パラダイムを提案する。
我々は,基地局(BS)とモバイルデバイスにゲーティングネットワークと先行するニューラルネットワーク層を配置することにより,LLM内のMoE層を分解する。
我々は、モデルの性能とエンドツーエンドのレイテンシの両方を考慮して、専門家の選択ポリシーを設計する。
論文 参考訳(メタデータ) (2024-05-06T02:55:50Z) - Large Language Models meet Network Slicing Management and Orchestration [0.3644165342767221]
本稿では,Large Language Models (LLM) とマルチエージェントシステムを利用したネットワークスライシングの今後の展望を提案する。
このフレームワークの実装に伴う課題と、それを緩和する潜在的なソリューションについて議論する。
論文 参考訳(メタデータ) (2024-03-20T16:29:52Z) - 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) - 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)
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。