論文の概要: Semantic of Cloud Computing services for Time Series workflows
- arxiv url: http://arxiv.org/abs/2202.00609v1
- Date: Tue, 1 Feb 2022 17:57:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-02 14:45:38.777989
- Title: Semantic of Cloud Computing services for Time Series workflows
- Title（参考訳）: 時系列ワークフローのためのクラウドコンピューティングサービスのセマンティック
- Authors: Manuel Parra-Roy\'on, Francisco Baldan, Ghislain Atemezing, J.M.
Benitez
- Abstract要約: 時系列(TS)は多くの知識、研究、工学の分野に存在している。
TSの処理と分析は、データから知識を抽出し、予測または予測保守タスクに取り組むために不可欠である。
TSのモデリングは、高度な統計知識と、データマイニング(DM)と機械学習(ML)メソッドの適用に関する優れた知識を必要とする、困難なタスクである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series (TS) are present in many fields of knowledge, research, and
engineering. The processing and analysis of TS are essential in order to
extract knowledge from the data and to tackle forecasting or predictive
maintenance tasks among others The modeling of TS is a challenging task,
requiring high statistical expertise as well as outstanding knowledge about the
application of Data Mining(DM) and Machine Learning (ML) methods. The overall
work with TS is not limited to the linear application of several techniques,
but is composed of an open workflow of methods and tests. These workflow,
developed mainly on programming languages, are complicated to execute and run
effectively on different systems, including Cloud Computing (CC) environments.
The adoption of CC can facilitate the integration and portability of services
allowing to adopt solutions towards services Internet Technologies (IT)
industrialization. The definition and description of workflow services for TS
open up a new set of possibilities regarding the reduction of complexity in the
deployment of this type of issues in CC environments. In this sense, we have
designed an effective proposal based on semantic modeling (or vocabulary) that
provides the full description of workflow for Time Series modeling as a CC
service. Our proposal includes a broad spectrum of the most extended
operations, accommodating any workflow applied to classification, regression,
or clustering problems for Time Series, as well as including evaluation
measures, information, tests, or machine learning algorithms among others.
- Abstract（参考訳）: 時系列(TS)は多くの知識、研究、工学の分野に存在している。
tsの処理および分析は,データから知識を抽出し,予測および予測保守タスクに取り組むために不可欠であり,tsのモデリングは難しい課題であり,データマイニング(dm)と機械学習(ml)手法の適用に関する優れた知識だけでなく,高い統計知識を必要とする。
TSの全体的な作業は、いくつかのテクニックの線形アプリケーションに限らず、メソッドとテストのオープンワークフローで構成されている。
これらのワークフローは、主にプログラミング言語に基づいて開発され、クラウドコンピューティング(CC)環境を含むさまざまなシステム上で実行および実行するのに複雑である。
CCの採用により、サービスの統合とポータビリティが促進され、インターネット技術(IT)産業化に向けたソリューションが採用される。
tsのworkflow servicesの定義と説明は、cc環境におけるこの種の問題の導入における複雑さの低減に関する、新たな可能性のセットを開く。
この意味で、我々は、CCサービスとしての時系列モデリングのためのワークフローの完全な記述を提供する意味モデリング(または語彙)に基づく効果的な提案を設計した。
我々の提案には、最も拡張されたオペレーションの幅広いスペクトルが含まれており、タイムシリーズの分類、回帰、クラスタリング問題に適用されるワークフロー、評価指標、情報、テスト、機械学習アルゴリズムなどが含まれる。
関連論文リスト
- Benchmarking Agentic Workflow Generation [80.74757493266057]
複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorFBenchを紹介する。
また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorFEvalを提案する。
我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することができることを観察する。
論文 参考訳（メタデータ） (2024-10-10T12:41:19Z) - Cost-Aware Dynamic Cloud Workflow Scheduling using Self-Attention and Evolutionary Reinforcement Learning [7.653021685451039]
本稿では,クラウドワークフロースケジューリングのための自己注意ポリシーネットワークを提案する。
トレーニングされたSPN-CWSは、すべての候補インスタンスを効果的に処理し、ワークフロータスクを実行するのに最も適したVMインスタンスを特定する。
提案手法は,複数のベンチマークCDMWS問題において,最先端のアルゴリズムよりも顕著に優れている。
論文 参考訳（メタデータ） (2024-09-27T04:45:06Z) - TS-EoH: An Edge Server Task Scheduling Algorithm Based on Evolution of Heuristic [0.6827423171182154]
本稿では,EC理論と進化的アルゴリズムに基づく新しいタスクスケジューリング手法を提案する。
実験の結果,タスクスケジューリングアルゴリズムは従来の強化学習法よりも優れていた。
論文 参考訳（メタデータ） (2024-09-04T10:00:32Z) - Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。
実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。
以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
論文 参考訳（メタデータ） (2024-06-19T00:28:58Z) - A Review of Deep Reinforcement Learning in Serverless Computing:
Function Scheduling and Resource Auto-Scaling [2.0722667822370386]
本稿では、サーバーレスコンピューティングにおけるDeep Reinforcement Learning(DRL)技術の適用について、包括的なレビューを行う。
DRLをサーバレスコンピューティングに適用する最近の研究の体系的なレビューが、さまざまなアルゴリズム、モデル、パフォーマンスについて紹介されている。
分析の結果,DRLは環境から学習・適応する能力を有しており,機能スケジューリングと資源スケーリングの効率化に期待できる結果が得られた。
論文 参考訳（メタデータ） (2023-10-05T09:26:04Z) - Multi-Job Intelligent Scheduling with Cross-Device Federated Learning [65.69079337653994]
フェデレートラーニング(FL)は、センシティブな生データを共有せずに、協調的なグローバル機械学習モデルのトレーニングを可能にする。
本稿では,複数のジョブを並列にトレーニングできる新しいマルチジョブFLフレームワークを提案する。
本稿では,元来の強化学習に基づくスケジューリング手法と元来のベイズ最適化に基づくスケジューリング手法を含む,複数のスケジューリング手法に基づく新しいインテリジェントスケジューリング手法を提案する。
論文 参考訳（メタデータ） (2022-11-24T06:17:40Z) - NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision
Research [96.53307645791179]
我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。
分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。
NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
論文 参考訳（メタデータ） (2022-11-15T18:57:46Z) - Concepts and Algorithms for Agent-based Decentralized and Integrated
Scheduling of Production and Auxiliary Processes [78.120734120667]
本稿ではエージェントベースの分散型統合スケジューリング手法について述べる。
要求の一部は、線形にスケールする通信アーキテクチャを開発することである。
このアプローチは、工業的要件に基づいた例を使って説明されます。
論文 参考訳（メタデータ） (2022-05-06T18:44:29Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - MCDS: AI Augmented Workflow Scheduling in Mobile Edge Cloud Computing
Systems [12.215537834860699]
近年,エッジコンピューティングプラットフォームの低応答時間を利用してアプリケーション品質・オブ・サービス(QoS)を最適化するスケジューリング手法が提案されている。
本稿では,Deep Surrogate Models を用いたモンテカルロ学習を用いて,モバイルエッジクラウドコンピューティングシステムにおけるワークフローアプリケーションを効率的にスケジューリングする手法を提案する。
論文 参考訳（メタデータ） (2021-12-14T10:00:01Z)
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。