論文の概要: A Proactive Management Scheme for Data Synopses at the Edge
- arxiv url: http://arxiv.org/abs/2107.10558v1
- Date: Thu, 22 Jul 2021 10:22:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-23 15:23:17.893360
- Title: A Proactive Management Scheme for Data Synopses at the Edge
- Title(参考訳): エッジにおけるデータ合成のためのアクティブ管理方式
- Authors: Kostas Kolomvatsos, Christos Anagnostopoulos
- Abstract要約: Edge Computingエコシステムに多数の処理ノードがあるIoT(Internet of Things)は、インテリジェントアプリケーションをサポートするための新たな経路を開く。
このようなアプリケーションは、ネットワークを介してエッジノードに転送されるIoTデバイスによって収集された膨大な量のデータに対して提供される。
議論されたデータ上でさまざまな処理アクティビティを実行することができ、ECノード間の複数の協調的な機会は、望ましいタスクの実行を容易にします。
本稿では、類似したデータを持つピアノードについて必要な知識を提供するために、ECノード間の実際のデータよりもデータシナプスの交換を推奨する。
- 参考スコア(独自算出の注目度): 20.711789781518753
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The combination of the infrastructure provided by the Internet of Things
(IoT) with numerous processing nodes present at the Edge Computing (EC)
ecosystem opens up new pathways to support intelligent applications. Such
applications can be provided upon humongous volumes of data collected by IoT
devices being transferred to the edge nodes through the network. Various
processing activities can be performed on the discussed data and multiple
collaborative opportunities between EC nodes can facilitate the execution of
the desired tasks. In order to support an effective interaction between edge
nodes, the knowledge about the geographically distributed data should be
shared. Obviously, the migration of large amounts of data will harm the
stability of the network stability and its performance. In this paper, we
recommend the exchange of data synopses than real data between EC nodes to
provide them with the necessary knowledge about peer nodes owning similar data.
This knowledge can be valuable when considering decisions such as data/service
migration and tasks offloading. We describe an continuous reasoning model that
builds a temporal similarity map of the available datasets to get nodes
understanding the evolution of data in their peers. We support the proposed
decision making mechanism through an intelligent similarity extraction scheme
based on an unsupervised machine learning model, and, at the same time, combine
it with a statistical measure that represents the trend of the so-called
discrepancy quantum. Our model can reveal the differences in the exchanged
synopses and provide a datasets similarity map which becomes the appropriate
knowledge base to support the desired processing activities. We present the
problem under consideration and suggest a solution for that, while, at the same
time, we reveal its advantages and disadvantages through a large number of
experiments.
- Abstract(参考訳): IoT(Internet of Things)が提供するインフラストラクチャとエッジコンピューティング(EC)エコシステムに存在する多数の処理ノードを組み合わせることで、インテリジェントアプリケーションをサポートするための新たなパスが開かれる。
このようなアプリケーションは、ネットワークを介してエッジノードに転送されるIoTデバイスによって収集された大量のデータに対して提供される。
議論されたデータ上でさまざまな処理アクティビティを実行することができ、ECノード間の複数の協調的な機会は、望ましいタスクの実行を容易にします。
エッジノード間の効果的なインタラクションをサポートするために、地理的に分散したデータに関する知識を共有すべきである。
明らかに、大量のデータのマイグレーションは、ネットワークの安定性とそのパフォーマンスの安定性を損なう。
本稿では、類似データを持つピアノードについて必要な知識を提供するために、ECノード間の実際のデータよりもデータシナプスの交換を推奨する。
この知識は、データ/サービスマイグレーションやタスクのオフロードといった決定を考えるときに有用です。
本稿では,利用可能なデータセットの時間的類似度マップを構築し,ピア内のデータの進化をノードに理解させる連続的推論モデルについて述べる。
本研究では,教師なし機械学習モデルに基づくインテリジェントな類似度抽出手法により,提案する意思決定機構をサポートし,それと同時に,いわゆる不一致量子の傾向を表す統計的尺度と組み合わせる。
我々のモデルは、交換されたシナプスの違いを明らかにし、望ましい処理活動を支援するための適切な知識基盤となるデータセット類似性マップを提供する。
そこで本研究では,この問題を考察し,その解決策を提案すると同時に,その利点と欠点を多数の実験を通じて明らかにする。
関連論文リスト
- An Ensemble Scheme for Proactive Dominant Data Migration of Pervasive Tasks at the Edge [5.4327243200369555]
本稿では,インフラ内の特定の場所に移動すべき適切なデータの識別について,自律エッジノードで実装する手法を提案する。
我々の目標は、オフロードされたデータ駆動タスクに関連するアクセスパターンを理解できるようにノードに装備することである。
これらのタスクは、元のホスティングノードにないデータの処理に依存することは明らかである。
これらのデータ間隔を推定するために,統計的指向モデルと機械学習フレームワークを統合したアンサンブルアプローチを用いる。
論文 参考訳(メタデータ) (2024-10-12T19:09:16Z) - How Much Data are Enough? Investigating Dataset Requirements for Patch-Based Brain MRI Segmentation Tasks [74.21484375019334]
ディープニューラルネットワークを確実にトレーニングするには、大規模なデータセットへのアクセスが必要である。
モデル開発に関連する時間的・経済的コストを緩和するためには,満足度の高いモデルをトレーニングするために必要なデータの量を明確に理解することが重要である。
本稿では,パッチベースのセグメンテーションネットワークのトレーニングに必要なアノテートデータの量を推定するための戦略的枠組みを提案する。
論文 参考訳(メタデータ) (2024-04-04T13:55:06Z) - Collaborative Mean Estimation over Intermittently Connected Networks
with Peer-To-Peer Privacy [86.61829236732744]
本研究は、断続接続を有するネットワーク上での分散平均推定(DME)の問題について考察する。
目標は、中央サーバの助けを借りて、分散ノード間でローカライズされたデータサンプルに関するグローバル統計を学習することだ。
ノード間のデータ共有による協調中継とプライバシー漏洩のトレードオフについて検討する。
論文 参考訳(メタデータ) (2023-02-28T19:17:03Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳(メタデータ) (2022-09-28T18:51:59Z) - Two-Bit Aggregation for Communication Efficient and Differentially
Private Federated Learning [79.66767935077925]
フェデレートラーニング(FL)では、機械学習モデルは、データをローカルに保ち、他のノードと共有しない状態で、複数のノードで分散的にトレーニングされる。
ノードからサーバに送信された情報は、各ノードのローカルデータの詳細を明らかにする可能性があるため、プライバシー上の懸念が生じる。
差分プライバシーを保証し、アップリンク通信オーバーヘッドを低減した2ビットアグリゲーションアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-10-06T19:03:58Z) - A communication efficient distributed learning framework for smart
environments [0.4898659895355355]
本稿では,データ生成箇所にデータ分析を近づける分散学習フレームワークを提案する。
分散機械学習技術を使用することで、クラウドソリューションに匹敵するパフォーマンスを確保しながら、ネットワークオーバーヘッドを大幅に削減することができる。
分析はまた、ノード上のデータの特定の分布に基づいて、各分散学習アプローチがいつ好ましいかを示す。
論文 参考訳(メタデータ) (2021-09-27T13:44:34Z) - National Access Points for Intelligent Transport Systems Data: From
Conceptualization to Benefits Recognition and Exploitation [55.41644538483948]
欧州連合は各加盟国による国家アクセスポイント(NAP)の開発を提案した。
本稿では,ITS エコシステムにおける NAP の役割を確認し,そのようなプラットフォームの設計手法を検討することを目的としており,拡張されたユースケースの起草を通じて NAP の運用プロセスを紹介し,そのメリットを特定のステップに関連付けることを目的とする。
論文 参考訳(メタデータ) (2020-10-14T17:13:00Z) - Data Synopses Management based on a Deep Learning Model [14.180331276028662]
データシナプスをECノードに配信することで、ピアに存在するデータと完全に整合したオフロード決定を行うことが可能になる、と私たちは主張する。
我々のアプローチは、計算されたシナプスの分布を学習し、将来の傾向を推定するディープラーニングモデルである。
論文 参考訳(メタデータ) (2020-08-01T12:04:21Z) - On the Use of Interpretable Machine Learning for the Management of Data
Quality [13.075880857448059]
我々は、解釈可能な機械学習を用いて、あらゆるデータ処理アクティビティをベースとした重要な機能を提供する。
私たちの目標は、少なくとも、収集されたデータセットで重要なものとして検出される機能に対して、データ品質を確保することです。
論文 参考訳(メタデータ) (2020-07-29T08:49:32Z) - An Intelligent Scheme for Uncertainty Management of Data Synopses
Management in Pervasive Computing Applications [9.289846887298852]
IoT(Internet of Things)デバイスは、エッジコンピューティング(EC)とクラウドにそれらを転送する環境データを収集して、さらなる処理を行う。
ECノードは、さまざまな処理アクティビティが行われる分散データセットのホストになる可能性がある。
この協力的アプローチを結論付ける上で重要な問題は、ECノードに仲間に存在するデータについて知らせるようにデータシナプスを交換することである。
本稿では,データシナプス交換のための不確実性駆動モデルを提案する。
論文 参考訳(メタデータ) (2020-07-24T16:58:51Z) - Mining Implicit Entity Preference from User-Item Interaction Data for
Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。
我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。
利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
論文 参考訳(メタデータ) (2020-03-28T05:47:33Z)
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。