論文の概要: Balancing Performance and Energy Consumption of Bagging Ensembles for
the Classification of Data Streams in Edge Computing
- arxiv url: http://arxiv.org/abs/2201.06205v1
- Date: Mon, 17 Jan 2022 04:12:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-21 07:47:48.798632
- Title: Balancing Performance and Energy Consumption of Bagging Ensembles for
the Classification of Data Streams in Edge Computing
- Title(参考訳): エッジコンピューティングにおけるデータストリーム分類のためのバッグングアンサンブルの性能とエネルギー消費のバランス付け
- Authors: Guilherme Cassales, Heitor Gomes, Albert Bifet, Bernhard Pfahringer,
Hermes Senger
- Abstract要約: エッジコンピューティング(EC)は、IoT(Internet of Things)や5Gネットワークといったテクノロジを開発する上で可能な要素として登場した。
本研究は,データストリームの分類において,バッグアンサンブルの性能とエネルギー消費を最適化するための戦略を検討する。
- 参考スコア(独自算出の注目度): 9.801387036837871
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, the Edge Computing (EC) paradigm has emerged as an enabling
factor for developing technologies like the Internet of Things (IoT) and 5G
networks, bridging the gap between Cloud Computing services and end-users,
supporting low latency, mobility, and location awareness to delay-sensitive
applications. Most solutions in EC employ machine learning (ML) methods to
perform data classification and other information processing tasks on
continuous and evolving data streams. Usually, such solutions have to cope with
vast amounts of data that come as data streams while balancing energy
consumption, latency, and the predictive performance of the algorithms.
Ensemble methods achieve remarkable predictive performance when applied to
evolving data streams due to the combination of several models and the
possibility of selective resets. This work investigates strategies for
optimizing the performance (i.e., delay, throughput) and energy consumption of
bagging ensembles to classify data streams. The experimental evaluation
involved six state-of-art ensemble algorithms (OzaBag, OzaBag Adaptive Size
Hoeffding Tree, Online Bagging ADWIN, Leveraging Bagging, Adaptive
RandomForest, and Streaming Random Patches) applying five widely used machine
learning benchmark datasets with varied characteristics on three computer
platforms. Such strategies can significantly reduce energy consumption in 96%
of the experimental scenarios evaluated. Despite the trade-offs, it is possible
to balance them to avoid significant loss in predictive performance.
- Abstract(参考訳): 近年、エッジコンピューティング(EC)パラダイムは、IoT(Internet of Things)や5Gネットワークのようなテクノロジ開発を可能にする要因として現れ、クラウドコンピューティングサービスとエンドユーザ間のギャップを埋め、低レイテンシ、モビリティ、遅延に敏感なアプリケーションに対する位置認識をサポートする。
ECのほとんどのソリューションは、連続的および進化的なデータストリーム上でデータ分類やその他の情報処理タスクを実行するために機械学習(ML)メソッドを使用している。
通常、そのようなソリューションは、エネルギー消費、レイテンシ、アルゴリズムの予測性能のバランスをとりながら、データストリームとしてやってくる膨大なデータに対処する必要があります。
アンサンブル手法は、複数のモデルの組み合わせと選択的リセットの可能性によって、進化するデータストリームに適用されると顕著な予測性能を達成する。
本研究では,バッキングアンサンブルの性能(遅延,スループット)とエネルギー消費を最適化し,データストリームを分類する手法を検討する。
OzaBag, OzaBag Adaptive Size Hoeffding Tree, Online Bagging ADWIN, Leveraging Bagging, Adaptive RandomForest, Streaming Random Patchesの6つの最先端アンサンブルアルゴリズムが,3つのコンピュータプラットフォームでさまざまな特徴を持つ5つの機械学習ベンチマークデータセットを適用した。
このような戦略は、評価された実験シナリオの96%でエネルギー消費を大幅に削減することができる。
トレードオフにもかかわらず、予測性能の大幅な損失を避けるためにバランスをとることができる。
関連論文リスト
- Energy-Efficient Edge Learning via Joint Data Deepening-and-Prefetching [9.468399367975984]
我々は、JD2P(Joint Data Deepening-and-Prefetching)と呼ばれる新しいオフロードアーキテクチャを提案する。
JD2Pは2つの主要な技術からなる機能ごとのオフロードである。
MNISTデータセットを用いてJD2Pの有効性を評価する。
論文 参考訳(メタデータ) (2024-02-19T08:12:47Z) - Offloading and Quality Control for AI Generated Content Services in Edge
Computing Networks [21.04384930605762]
本稿では, 逆拡散段階における拡散モデルのオフロード決定, 計算時間, 拡散ステップに対する共同最適化アルゴリズムを提案する。
実験結果から,提案アルゴリズムはベースラインよりも優れた継手最適化性能が得られることが示された。
論文 参考訳(メタデータ) (2023-12-11T08:36:27Z) - Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with
Online Learning [60.17407932691429]
基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。
本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。
提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
論文 参考訳(メタデータ) (2023-09-04T17:30:21Z) - Analysis and Optimization of Wireless Federated Learning with Data
Heterogeneity [72.85248553787538]
本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。
ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。
実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
論文 参考訳(メタデータ) (2023-08-04T04:18:01Z) - Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。
限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
論文 参考訳(メタデータ) (2023-05-02T07:41:16Z) - Data augmentation through multivariate scenario forecasting in Data
Centers using Generative Adversarial Networks [0.18416014644193063]
人工知能に基づくグローバルなエネルギー効率戦略を実現する上での大きな課題は、アルゴリズムを供給するために大量のデータが必要であることです。
本稿では,データセンタ内の合成シナリオ予測に基づく時系列データ拡張手法を提案する。
我々の研究は、データセンターで消費されるエネルギーを最適化するのに役立ちます。
論文 参考訳(メタデータ) (2022-01-12T15:09:10Z) - Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。
最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。
提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
論文 参考訳(メタデータ) (2021-11-26T18:44:59Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - Towards Heterogeneous Clients with Elastic Federated Learning [45.2715985913761]
フェデレーション学習では、エッジプロセッサやデータウェアハウスなどのデバイスやデータサイロ上で、データをローカルに保ちながら、マシンラーニングモデルをトレーニングする。
本稿では,不均一性に対処する非バイアスアルゴリズムであるElastic Federated Learning (EFL)を提案する。
上流と下流の両方の通信を圧縮する効率的かつ効率的なアルゴリズムである。
論文 参考訳(メタデータ) (2021-06-17T12:30:40Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳(メタデータ) (2021-06-14T11:42:46Z) - Active machine learning for spatio-temporal predictions using feature
embedding [0.537133760455631]
アクティブラーニングは、危機時予測の改善を通じて環境問題の解決に寄与する可能性がある。
本稿では,このギャップを埋める新しいバッチAL法を提案する。
候補データポイントの機能をエンコードおよびクラスタ化し、組み込み機能からクラスタセンターまでの距離に基づいて最適なデータをクエリします。
論文 参考訳(メタデータ) (2020-12-08T12:55:29Z)
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。