論文の概要: Lifelong Self-Adaptation: Self-Adaptation Meets Lifelong Machine
Learning
- arxiv url: http://arxiv.org/abs/2204.01834v1
- Date: Mon, 4 Apr 2022 20:35:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-06 15:01:33.880083
- Title: Lifelong Self-Adaptation: Self-Adaptation Meets Lifelong Machine
Learning
- Title(参考訳): 生涯の自己適応 - 生涯の機械学習
- Authors: Omid Gheibi, Danny Weyns
- Abstract要約: 我々は、生涯ML層を用いた機械学習技術を用いた自己適応システムに対する新しいアプローチとして、テキストライフロング自己適応を提案する。
生涯にわたるMLレイヤは、実行システムとその環境を追跡し、この知識を現在のタスクに関連付け、微分に基づいて新しいタスクを特定し、それに従って自己適応システムの学習モデルを更新する。
本稿では、生涯にわたる自己適応のための再利用可能なアーキテクチャを提案し、自己適応における意思決定に使用される学習モデルの入力データの予期せぬ変化によって引き起こされる概念漂流の場合に適用する。
- 参考スコア(独自算出の注目度): 14.893661749381868
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the past years, machine learning (ML) has become a popular approach to
support self-adaptation. While ML techniques enable dealing with several
problems in self-adaptation, such as scalable decision-making, they are also
subject to inherent challenges. In this paper, we focus on one such challenge
that is particularly important for self-adaptation: ML techniques are designed
to deal with a set of predefined tasks associated with an operational domain;
they have problems to deal with new emerging tasks, such as concept shift in
input data that is used for learning. To tackle this challenge, we present
\textit{lifelong self-adaptation}: a novel approach to self-adaptation that
enhances self-adaptive systems that use ML techniques with a lifelong ML layer.
The lifelong ML layer tracks the running system and its environment, associates
this knowledge with the current tasks, identifies new tasks based on
differentiations, and updates the learning models of the self-adaptive system
accordingly. We present a reusable architecture for lifelong self-adaptation
and apply it to the case of concept drift caused by unforeseen changes of the
input data of a learning model that is used for decision-making in
self-adaptation. We validate lifelong self-adaptation for two types of concept
drift using two cases.
- Abstract(参考訳): 過去数年間、機械学習(ML)は自己適応をサポートする一般的なアプローチとなっている。
ML技術は、スケーラブルな意思決定など、自己適応におけるいくつかの問題への対処を可能にするが、それらもまた固有の課題である。
本稿では、自己適応において特に重要な課題の一つに焦点をあてる:ML技術は、運用ドメインに関連する一連の事前定義されたタスクに対処するように設計されており、学習に使用される入力データの概念シフトのような新しいタスクに対処する問題がある。
この課題に対処するために,一生のML層を用いたML技術を用いた自己適応システムを強化する,新たな自己適応手法である‘textit{lifelong self-adaptation’を提案する。
生涯にわたるMLレイヤは、実行システムとその環境を追跡し、この知識を現在のタスクと関連付け、微分に基づいて新しいタスクを特定し、それに従って自己適応システムの学習モデルを更新する。
本稿では、生涯にわたる自己適応のための再利用可能なアーキテクチャを提案し、自己適応における意思決定に使用される学習モデルの入力データの予期せぬ変化に起因する概念ドリフトのケースに適用する。
2種類の概念ドリフトに対する生涯自己適応を2例を用いて検証した。
関連論文リスト
- Metacognition for Unknown Situations and Environments (MUSE) [3.2020845462590697]
未知の状況と環境(MUSE)フレームワークのメタ認知を提案する。
MUSEはメタ認知プロセス、特に自己認識と自己制御を自律エージェントに統合する。
エージェントは自己認識と自己制御の大幅な改善を示す。
論文 参考訳(メタデータ) (2024-11-20T18:41:03Z) - Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments [50.310636905746975]
実世界の機械学習システムは、基礎となるデータ生成プロセスの分散シフトによって、モデルの性能劣化に遭遇することが多い。
概念のドリフト適応のような既存のシフトへのアプローチは、その理性に依存しない性質によって制限される。
我々はこれらの制限を克服するために自己修復機械学習(SHML)を提案する。
論文 参考訳(メタデータ) (2024-10-31T20:05:51Z) - Auto-selected Knowledge Adapters for Lifelong Person Re-identification [54.42307214981537]
Lifelong Person Re-Identificationは、異なる時間と場所にわたる重複しないデータセットから継続的に学習するシステムを必要とする。
リハーサルのない、あるいはリハーサルベースの既存のアプローチは、依然として破滅的な忘れ込みの問題に悩まされている。
本稿では,知識アダプタを採用した新しいフレームワークであるAdalReIDと,生涯学習のためのパラメータフリー自動選択機構を提案する。
論文 参考訳(メタデータ) (2024-05-29T11:42:02Z) - Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。
本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。
以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
論文 参考訳(メタデータ) (2023-09-15T17:10:51Z) - Online ML Self-adaptation in Face of Traps [5.8790300501137684]
本稿では,MLに基づく推定器の仕様とオンライントレーニング,自己適応に対する影響,推定器の評価に用いるアプローチについて論じる。
これらのトラップの概要は、オンラインMLを自己適応に適用する際に、他の研究者や実践者のガイダンスとして役立てることができる。
論文 参考訳(メタデータ) (2023-09-11T20:17:11Z) - Towards Self-Adaptive Machine Learning-Enabled Systems Through QoS-Aware
Model Switching [1.2277343096128712]
本稿では,機械学習モデルバランサの概念を提案し,複数のモデルを用いてMLモデルに関連する不確実性を管理する。
AdaMLSは、この概念を活用し、従来のMAPE-Kループを拡張した新しい自己適応手法である。
予備的な結果は、AdaMLSが保証において、単純で単一の最先端モデルを上回ることを示唆している。
論文 参考訳(メタデータ) (2023-08-19T09:33:51Z) - Incremental procedural and sensorimotor learning in cognitive humanoid
robots [52.77024349608834]
本研究は,手順を段階的に学習する認知エージェントを提案する。
各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。
結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
論文 参考訳(メタデータ) (2023-04-30T22:51:31Z) - Dealing with Drift of Adaptation Spaces in Learning-based Self-Adaptive
Systems using Lifelong Self-Adaptation [10.852698169509006]
我々は、学習に基づく自己適応システムにおいて特に重要な課題である適応空間のドリフトに焦点を当てる。
適応空間のドリフトは不確実性に起因し、適応オプションの品質に影響を及ぼす。
本稿では、生涯ML層を用いた学習に基づく自己適応システムを強化するための、新しい自己適応手法を提案する。
論文 参考訳(メタデータ) (2022-11-04T07:45:48Z) - Fully Online Meta-Learning Without Task Boundaries [80.09124768759564]
この性質のオンライン問題にメタラーニングを適用する方法について検討する。
タスク境界に関する基礎的な真理知識を必要としない完全オンラインメタラーニング(FOML)アルゴリズムを提案する。
実験の結果,FOMLは最先端のオンライン学習手法よりも高速に新しいタスクを学習できることがわかった。
論文 参考訳(メタデータ) (2022-02-01T07:51:24Z) - Self-directed Machine Learning [86.3709575146414]
教育科学において、自己指導型学習は受動的教師指導型学習よりも効果的であることが示されている。
本稿では,自己指向機械学習(SDML)の基本概念を紹介し,SDMLのためのフレームワークを提案する。
提案したSDMLプロセスは,自己タスク選択,自己データ選択,自己モデル選択,自己最適化戦略選択,自己評価基準選択の恩恵を受ける。
論文 参考訳(メタデータ) (2022-01-04T18:32:06Z)
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。