論文の概要: Automated Customization of On-Thing Inference for Quality-of-Experience Enhancement

• arxiv url: http://arxiv.org/abs/2112.06918v1
• Date: Sat, 11 Dec 2021 07:37:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-18 14:36:29.146304
• Title: Automated Customization of On-Thing Inference for Quality-of-Experience Enhancement
• Title（参考訳）: 品質改善のためのオント推論の自動カスタマイズ
• Authors: Yang Bai, Lixing Chen, Shaolei Ren, Jie Xu
• Abstract要約: 本稿では,IoTデバイス上でのDL推論の自動カスタマイズ(オンシング推論とみなす)について検討する。 我々は、様々なユーザQoEパターンを扱うための優れた一般化能力を持つ、新しいオンライン学習アルゴリズムであるNeuralUCBを使用している。 我々は、NeuralUCBの学習効率を保ちながら、QoE勧誘回数を減らすために、フィードバック勧誘スキームを設計する。
• 参考スコア（独自算出の注目度）: 27.16877467047541
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid uptake of intelligent applications is pushing deep learning (DL) capabilities to Internet-of-Things (IoT). Despite the emergence of new tools for embedding deep neural networks (DNNs) into IoT devices, providing satisfactory Quality of Experience (QoE) to users is still challenging due to the heterogeneity in DNN architectures, IoT devices, and user preferences. This paper studies automated customization for DL inference on IoT devices (termed as on-thing inference), and our goal is to enhance user QoE by configuring the on-thing inference with an appropriate DNN for users under different usage scenarios. The core of our method is a DNN selection module that learns user QoE patterns on-the-fly and identifies the best-fit DNN for on-thing inference with the learned knowledge. It leverages a novel online learning algorithm, NeuralUCB, that has excellent generalization ability for handling various user QoE patterns. We also embed the knowledge transfer technique in NeuralUCB to expedite the learning process. However, NeuralUCB frequently solicits QoE ratings from users, which incurs non-negligible inconvenience. To address this problem, we design feedback solicitation schemes to reduce the number of QoE solicitations while maintaining the learning efficiency of NeuralUCB. A pragmatic problem, aggregated QoE, is further investigated to improve the practicality of our framework. We conduct experiments on both synthetic and real-world data. The results indicate that our method efficiently learns the user QoE pattern with few solicitations and provides drastic QoE enhancement for IoT devices.
• Abstract（参考訳）: インテリジェントアプリケーションの急速な普及は、ディープラーニング(DL)機能をIoT(Internet-of-Things)にプッシュしている。 ディープニューラルネットワーク(DNN)をIoTデバイスに組み込む新たなツールが出現したにも関わらず、DNNアーキテクチャやIoTデバイス、ユーザの好みの不均一性のため、ユーザへの満足度の高いQuality of Experience(QoE)の提供は依然として難しい。 本稿では,IoTデバイス上でのDL推論の自動カスタマイズ(オンシング推論)について検討し,異なる利用シナリオ下でのユーザに適したDNNを用いて,オンシング推論を設定することでユーザQoEを向上させることを目的とする。 提案手法の中核となるDNN選択モジュールは,ユーザのQoEパターンをオンザフライで学習し,学習知識による推論に最適なDNNを特定する。 様々なユーザqoeパターンを扱うための優れた一般化能力を持つ、新しいオンライン学習アルゴリズムであるneuralucbを活用する。 また、知識伝達手法をNeuralUCBに組み込んで学習プロセスを高速化する。 しかし、NeuralUCBはQoE評価をユーザーから頻繁に求めており、これは無視できない不便を引き起こす。 この問題に対処するため,我々はneuralucbの学習効率を維持しつつ,qoe学習回数を削減するためのフィードバック勧誘スキームを設計する。 フレームワークの実用性を改善するために,qoeを集約した実用的問題についても検討した。 我々は合成データと実世界データの両方について実験を行う。 その結果,本手法はユーザQoEパターンを少ないソリケーションで効率的に学習し,IoTデバイスに対する大幅なQoE向上を実現する。

関連論文リスト

• A Cutting-Edge Deep Learning Method For Enhancing IoT Security [0.0]
  本稿では,Deep Learning-integrated Convolutional Neural Networks (CNN) とLong Short-Term Memory (LSTM) ネットワークを用いたモノのインターネット(IoT)環境侵入検知システム(IDS)の革新的な設計を提案する。 われわれのモデルはCICIDS 2017データセットに基づいて、ネットワークトラフィックを良性または悪意のいずれかとして分類する精度99.52%を達成した。
  論文  参考訳（メタデータ） (2024-06-18T08:42:51Z)
• The Internet of Senses: Building on Semantic Communications and Edge Intelligence [67.75406096878321]
  インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。 我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
  論文  参考訳（メタデータ） (2022-12-21T03:37:38Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Self-Supervised Learning of Event-Based Optical Flow with Spiking Neural Networks [3.7384509727711923]
  ニューロモルフィックコンピューティングの大きな課題は、従来の人工ニューラルネットワーク(ANN)の学習アルゴリズムがスパイクニューラルネットワーク(SNN)に直接転送されないことである。 本稿では,イベントベースカメラ入力からの光フロー推定における自己教師型学習問題に着目した。 提案するANNとSNNの性能は,自己教師型で訓練された現在の最先端のANNと同等であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T14:03:41Z)
• Fast On-Device Adaptation for Spiking Neural Networks via Online-Within-Online Meta-Learning [31.78005607111787]
  Spiking Neural Networks(SNN)は、デバイス上のエッジインテリジェンスのための機械学習モデルとして最近人気を集めている。 本稿では, OWOML-SNN と呼ばれる SNN のオンラインメタ学習ルールを提案する。
  論文  参考訳（メタデータ） (2021-02-21T04:28:49Z)
• Adversarially Robust and Explainable Model Compression with On-Device Personalization for Text Classification [4.805959718658541]
  モバイルデバイスのコンピューティング能力の増大とコンピュータビジョン(CV)と自然言語処理(NLP)のアプリケーション数の増加により、オンデバイスディープニューラルネットワーク(DNN)が最近注目を集めている。 NLPアプリケーションでは、モデル圧縮は最初は成功したが、少なくとも3つの大きな課題が解決されている: 対向的堅牢性、説明可能性、パーソナライゼーションである。 ここでは,モデル圧縮と対向ロバスト性のための新たなトレーニングスキームを設計し,説明可能な特徴マッピングの目的を最適化することによって,これらの課題に対処する。 得られた圧縮モデルは、細かなデバイス上でのプライベートトレーニングデータを用いてパーソナライズされる。
  論文  参考訳（メタデータ） (2021-01-10T15:06:55Z)
• Adaptive Contention Window Design using Deep Q-learning [46.49295424938727]
  ランダムアクセス無線ネットワークにおける適応競合窓(CW)設計の問題について検討する。 我々のゴールは、ネットワークレベルのユーティリティを最大化するために、最小CW(MCW)パラメータを動的に適応できるインテリジェントノードを設計することである。
  論文  参考訳（メタデータ） (2020-11-18T17:31:18Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)
• Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
  ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。 コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
  論文  参考訳（メタデータ） (2020-06-30T14:56:05Z)

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。