論文の概要: Quality Monitoring and Assessment of Deployed Deep Learning Models for Network AIOps

• arxiv url: http://arxiv.org/abs/2202.13642v1
• Date: Mon, 28 Feb 2022 09:37:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-01 17:14:46.449491
• Title: Quality Monitoring and Assessment of Deployed Deep Learning Models for Network AIOps
• Title（参考訳）: ネットワークAIOpsのためのデプロイ深層学習モデルの品質モニタリングと評価
• Authors: Lixuan Yang, Dario Rossi
• Abstract要約: ディープラーニング(DL)モデルはソフトウェアアーチファクトであり、定期的なメンテナンスと更新が必要です。 DLモデルデプロイメントのライフサイクルでは、デプロイされたモデルの品質を評価し、"静的"モデルを検出し、アップデートを優先順位付けすることが重要です。 本稿では,個人推論の品質評価のための簡易かつ効果的な手法を提案する。
• 参考スコア（独自算出の注目度）: 9.881249708266237
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial Intelligence (AI) has recently attracted a lot of attention, transitioning from research labs to a wide range of successful deployments in many fields, which is particularly true for Deep Learning (DL) techniques. Ultimately, DL models being software artifacts, they need to be regularly maintained and updated: AIOps is the logical extension of the DevOps software development practices to AI-software applied to network operation and management. In the lifecycle of a DL model deployment, it is important to assess the quality of deployed models, to detect "stale" models and prioritize their update. In this article, we cover the issue in the context of network management, proposing simple yet effective techniques for (i) quality assessment of individual inference, and for (ii) overall model quality tracking over multiple inferences, that we apply to two use cases, representative of the network management and image recognition fields.
• Abstract（参考訳）: 人工知能(ai)は最近、多くの注目を集めており、研究所からさまざまな分野の幅広いデプロイに移行している。 最終的に、DLモデルはソフトウェアアーティファクトであり、定期的なメンテナンスと更新が必要である。 AIOpsは、ネットワーク操作と管理に適用されるAIソフトウェアへのDevOpsソフトウェア開発プラクティスの論理的拡張である。 DLモデルデプロイメントのライフサイクルでは、デプロイされたモデルの品質を評価し、"静的"モデルを検出し、アップデートを優先順位付けすることが重要です。 本稿では,ネットワーク管理の文脈における課題を取り上げ,単純かつ効果的な手法を提案する。 (i)個別推論の品質評価等 (2)複数の推論に対するモデル品質の総合的追跡を行い、ネットワーク管理と画像認識の分野を代表する2つのユースケースに適用する。

関連論文リスト

• DLBacktrace: A Model Agnostic Explainability for any Deep Learning Models [1.747623282473278]
  ディープラーニングモデルは、意思決定プロセスにおける透明性が制限された不透明な'ブラックボックス'として機能する。 この研究は、AIシステムにおける解釈可能性の押し付けの必要性に対処し、信頼の育成、説明責任の確保、ミッションクリティカルな分野における責任あるデプロイメントの促進におけるその役割を強調した。 DLBacktraceは、AryaXAIチームが開発し、幅広い領域にわたるモデル決定を照らす革新的なテクニックです。
  論文  参考訳（メタデータ） (2024-11-19T16:54:30Z)
• Next-Gen Software Engineering: AI-Assisted Big Models [0.0]
  本稿では,ソフトウェア工学におけるモデルとAIの合成を容易にすることを目的とする。 本稿では,AI支援ソフトウェア工学の現状について概説する。 SEにおけるAI支援ビッグデータのビジョンは、両方のアプローチに固有のアドバンテージを活用することを目的としている。
  論文  参考訳（メタデータ） (2024-09-26T16:49:57Z)
• AI Foundation Models in Remote Sensing: A Survey [6.036426846159163]
  本稿では,リモートセンシング領域における基礎モデルの包括的調査を行う。 コンピュータビジョンおよびドメイン固有タスクにおけるそれらの応用に基づいて、これらのモデルを分類する。 これらの基盤モデルによって達成された、新しいトレンドと大きな進歩を強調します。
  論文  参考訳（メタデータ） (2024-08-06T22:39:34Z)
• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。 具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
  論文  参考訳（メタデータ） (2023-12-03T13:50:24Z)
• Model Reprogramming: Resource-Efficient Cross-Domain Machine Learning [65.268245109828]
  視覚、言語、音声などのデータに富む領域では、ディープラーニングが高性能なタスク固有モデルを提供するのが一般的である。 リソース制限されたドメインでのディープラーニングは、(i)限られたデータ、(ii)制約付きモデル開発コスト、(iii)効果的な微調整のための適切な事前学習モデルの欠如など、多くの課題に直面している。 モデル再プログラミングは、ソースドメインから十分に訓練されたモデルを再利用して、モデル微調整なしでターゲットドメインのタスクを解くことで、リソース効率のよいクロスドメイン機械学習を可能にする。
  論文  参考訳（メタデータ） (2022-02-22T02:33:54Z)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)
• Amazon SageMaker Model Monitor: A System for Real-Time Insights into Deployed Machine Learning Models [15.013638492229376]
  Amazon SageMaker Model Monitorはフルマネージドなサービスで、Amazon SageMakerでホストされている機械学習モデルの品質を継続的に監視します。 我々のシステムは,モデルにおけるデータ,概念,バイアス,特徴帰属ドリフトをリアルタイムで検出し,モデル所有者が正しい行動を取るように警告する。
  論文  参考訳（メタデータ） (2021-11-26T18:35:38Z)
• INTERN: A New Learning Paradigm Towards General Vision [117.3343347061931]
  我々はInterNという新しい学習パラダイムを開発した。 複数の段階の複数のソースからの監視信号を用いて学習することにより、トレーニング対象のモデルは強力な一般化性を生み出す。 ほとんどの場合、ターゲットドメインのトレーニングデータの10%しか適応していないモデルが、完全なデータセットでトレーニングされたトレーニングデータよりも優れています。
  論文  参考訳（メタデータ） (2021-11-16T18:42:50Z)
• Data-Driven and SE-assisted AI Model Signal-Awareness Enhancement and Introspection [61.571331422347875]
  モデルの信号認識性を高めるためのデータ駆動型手法を提案する。 コード複雑性のSE概念とカリキュラム学習のAIテクニックを組み合わせる。 モデル信号認識における最大4.8倍の改善を実現している。
  論文  参考訳（メタデータ） (2021-11-10T17:58:18Z)
• A Visual Analytics Framework for Explaining and Diagnosing Transfer Learning Processes [42.57604833160855]
  本稿では,深層ニューラルネットワークの学習における伝達学習プロセスの多段階探索のための視覚分析フレームワークを提案する。 本フレームワークは,ニューラルネットワークの深層学習において,既存のモデルから学習した知識がどのように新たな学習タスクに変換されるかを説明するために,マルチアスペクト設計を確立する。
  論文  参考訳（メタデータ） (2020-09-15T05:59:00Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。