論文の概要: Lifelong Dynamic Optimization for Self-Adaptive Systems: Fact or Fiction?

• arxiv url: http://arxiv.org/abs/2201.07096v1
• Date: Tue, 18 Jan 2022 16:17:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-19 18:28:28.166128
• Title: Lifelong Dynamic Optimization for Self-Adaptive Systems: Fact or Fiction?
• Title（参考訳）: 自己適応システムに対する生涯動的最適化:事実かフィクションか?
• Authors: Tao Chen
• Abstract要約: LiDOSは、SAS計画のための生涯にわたる動的最適化フレームワークである。 動的環境変化による局所最適問題に対処するために有用な情報を保存することを目的としている。 最先端の計画立案者よりも優れた結果が得られ、有望な適応計画を生成する上で1.4倍から10倍のスピードアップを実現している。
• 参考スコア（独自算出の注目度）: 5.781900408390438
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When faced with changing environment, highly configurable software systems need to dynamically search for promising adaptation plan that keeps the best possible performance, e.g., higher throughput or smaller latency -- a typical planning problem for self-adaptive systems (SASs). However, given the rugged and complex search landscape with multiple local optima, such a SAS planning is challenging especially in dynamic environments. In this paper, we propose LiDOS, a lifelong dynamic optimization framework for SAS planning. What makes LiDOS unique is that to handle the "dynamic", we formulate the SAS planning as a multi-modal optimization problem, aiming to preserve the useful information for better dealing with the local optima issue under dynamic environment changes. This differs from existing planners in that the "dynamic" is not explicitly handled during the search process in planning. As such, the search and planning in LiDOS run continuously over the lifetime of SAS, terminating only when it is taken offline or the search space has been covered under an environment. Experimental results on three real-world SASs show that the concept of explicitly handling dynamic as part of the search in the SAS planning is effective, as LiDOS outperforms its stationary counterpart overall with up to 10x improvement. It also achieves better results in general over state-of-the-art planners and with 1.4x to 10x speedup on generating promising adaptation plans.
• Abstract（参考訳）: 環境の変化に直面している場合、高度に構成可能なソフトウェアシステムは、例えば、より高いスループットやより小さなレイテンシといった、自己適応型システム(SAS)の典型的な計画課題を最大限に維持する有望な適応プランを動的に探索する必要がある。 しかし、複数の局所最適条件を持つ頑丈で複雑な探索環境を考えると、特に動的環境において、このようなSAS計画は困難である。 本稿では,生涯にわたるSAS計画のための動的最適化フレームワークLiDOSを提案する。 LiDOSのユニークなところは、SAS計画をマルチモーダル最適化問題として定式化し、動的環境変化下での局所最適問題へのより良い対処を目的としていることである。 これは既存のプランナーと異なり、「ダイナミック」は計画中の探索プロセス中に明示的に処理されない。 そのため、LiDOSの検索と計画はSASの存続期間を通じて連続的に実行され、オフラインまたは検索スペースが環境下でカバーされた場合にのみ終了する。 3つの実世界のSASによる実験結果から,SAS計画における探索の一部としての動的処理を明示的に行うという概念が有効であることが示された。 また、最先端のプランナーよりも優れた結果が得られ、有望な適応プランを生成する上で1.4倍から10倍のスピードアップを実現している。

関連論文リスト

• Interactive and Expressive Code-Augmented Planning with Large Language Models [62.799579304821826]
  大きな言語モデル(LLM)は、常識的推論と対話的な意思決定において強力な能力を示す。 近年,制御フローなどのコード・アジャセント技術を用いてLCM出力を構造化し,計画性能を向上させる技術が提案されている。 完全コード表現で動的なLEM計画手法であるREPL-Planを提案する。
  論文  参考訳（メタデータ） (2024-11-21T04:23:17Z)
• Dynamic Planning for LLM-based Graphical User Interface Automation [48.31532014795368]
  LLMベースのGUIエージェントのための動的思考計画(D-PoT)と呼ばれる新しいアプローチを提案する。 D-PoTは環境フィードバックと実行履歴に基づいて計画の動的調整を行う。 実験の結果、提案されたD-PoTは強いGPT-4Vベースラインを+12.7%上回った。
  論文  参考訳（メタデータ） (2024-10-01T07:49:24Z)
• On The Planning Abilities of OpenAI's o1 Models: Feasibility, Optimality, and Generalizability [59.72892401927283]
  さまざまなベンチマークタスクでOpenAIのo1モデルの計画能力を評価する。 その結果,o1-preview は GPT-4 よりもタスク制約に順応していることがわかった。
  論文  参考訳（メタデータ） (2024-09-30T03:58:43Z)
• FOSS: A Self-Learned Doctor for Query Optimizer [19.15262900354963]
  FOSSと呼ばれる深層強化学習に基づくクエリ最適化のための新しいフレームワークを提案する。 Fossは従来のブートストラップによって生成された当初の計画から最適化を開始し、計画の最適下ノードを漸進的に洗練する。 結合順序ベンチマーク, TPC-DS, Stack OverflowベンチマークにおけるFOSSの性能評価を行った。
  論文  参考訳（メタデータ） (2023-12-11T13:05:51Z)
• Learning-Initialized Trajectory Planning in Unknown Environments [4.2960463890487555]
  未知の環境での自律飛行の計画には、空間軌道と時間軌道の両方を正確に計画する必要がある。 本稿ではニューラルdトラジェクトリ・プランナーを用いて最適化を導く新しい手法を提案する。 遅延計画に対する耐性を持って、堅牢なオンラインリプランニングをサポートするフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-19T15:07:26Z)
• MetaNet: Automated Dynamic Selection of Scheduling Policies in Cloud Environments [13.864161788250856]
  本研究の目的は,MetaNetと呼ばれる代理モデルを用いてスケジューリングポリシーのオンライン動的選択という,非自明なメタ問題を解決することである。 最先端のDNNスケジューラと比較して、実行コスト、エネルギー消費、応答時間、サービスレベルの合意違反を最大11, 43, 8, 13パーセント改善することができる。
  論文  参考訳（メタデータ） (2022-05-21T16:51:51Z)
• Planning Landscape Analysis for Self-Adaptive Systems [5.781900408390438]
  計画は、おそらく自己適応システム(SAS)の最も重要なステップの1つである。 本稿では,SASの計画環境を定量化し,解析する方法について述べる。
  論文  参考訳（メタデータ） (2022-03-23T15:10:06Z)
• Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
  STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。 シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。 その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
  論文  参考訳（メタデータ） (2021-12-09T18:03:27Z)
• DHA: End-to-End Joint Optimization of Data Augmentation Policy, Hyper-parameter and Architecture [81.82173855071312]
  本稿では,AutoMLコンポーネントを統合したエンドツーエンドソリューションを提案する。 Dhaは、様々なデータセット、特にセルベースの検索空間を持つImageNetの77.4%の精度で、最先端(SOTA)結果を達成する。
  論文  参考訳（メタデータ） (2021-09-13T08:12:50Z)
• NASOA: Towards Faster Task-oriented Online Fine-tuning with a Zoo of Models [90.6485663020735]
  事前訓練されたImageNetモデルからの微調整は、様々なコンピュータビジョンタスクに対して単純で効果的で一般的なアプローチである。 我々は,タスク指向のより高速な微調整を実現するため,NASOAというニューラルアーキテクチャ検索とオンライン適応フレームワークを共同で提案する。
  論文  参考訳（メタデータ） (2021-08-07T12:03:14Z)

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。