論文の概要: Deep Learning for Effective and Efficient Reduction of Large Adaptation
Spaces in Self-Adaptive Systems
- arxiv url: http://arxiv.org/abs/2204.06254v1
- Date: Wed, 13 Apr 2022 08:51:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-14 19:08:57.844428
- Title: Deep Learning for Effective and Efficient Reduction of Large Adaptation
Spaces in Self-Adaptive Systems
- Title（参考訳）: 自己適応型システムにおける大規模適応空間の効率化のためのディープラーニング
- Authors: Danny Weyns and Omid Gheibi and Federico Quin and Jeroen Van Der
Donckt
- Abstract要約: 本稿では、DLASeR+を略して「適応空間削減のための深層学習」を提案する。
DLASeR+は、オンライン適応スペース削減のための拡張可能な学習フレームワークを提供する。
3種類の適応目標(しきい値、最適化、セットポイント目標)をサポートする。
その結果, DLASeR+は適応目標の実現に無視できる効果を有することがわかった。
- 参考スコア（独自算出の注目度）: 12.341380735802568
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many software systems today face uncertain operating conditions, such as
sudden changes in the availability of resources or unexpected user behavior.
Without proper mitigation these uncertainties can jeopardize the system goals.
Self-adaptation is a common approach to tackle such uncertainties. When the
system goals may be compromised, the self-adaptive system has to select the
best adaptation option to reconfigure by analyzing the possible adaptation
options, i.e., the adaptation space. Yet, analyzing large adaptation spaces
using rigorous methods can be resource- and time-consuming, or even be
infeasible. One approach to tackle this problem is by using online machine
learning to reduce adaptation spaces. However, existing approaches require
domain expertise to perform feature engineering to define the learner, and
support online adaptation space reduction only for specific goals. To tackle
these limitations, we present 'Deep Learning for Adaptation Space Reduction
Plus' -- DLASeR+ in short. DLASeR+ offers an extendable learning framework for
online adaptation space reduction that does not require feature engineering,
while supporting three common types of adaptation goals: threshold,
optimization, and set-point goals. We evaluate DLASeR+ on two instances of an
Internet-of-Things application with increasing sizes of adaptation spaces for
different combinations of adaptation goals. We compare DLASeR+ with a baseline
that applies exhaustive analysis and two state-of-the-art approaches for
adaptation space reduction that rely on learning. Results show that DLASeR+ is
effective with a negligible effect on the realization of the adaptation goals
compared to an exhaustive analysis approach, and supports three common types of
adaptation goals beyond the state-of-the-art approaches.
- Abstract（参考訳）: 現在多くのソフトウェアシステムは、リソースの可用性の急激な変化や予期せぬユーザー行動など、不確実な運用条件に直面している。
適切な緩和がなければ、不確実性はシステムの目標を危険にさらす可能性がある。
自己適応はそのような不確実性に取り組む一般的なアプローチである。
システム目標が損なわれた場合、自己適応システムは、可能な適応オプション、すなわち適応空間を分析して再設定する最適な適応オプションを選択する必要がある。
しかし、厳密な手法を用いて大規模な適応空間を解析することは資源と時間を要するか、あるいは実現不可能である。
この問題を解決する1つのアプローチは、適応空間を減らすためにオンライン機械学習を使用することである。
しかし、既存のアプローチでは、学習者を定義するために機能エンジニアリングを行うためのドメイン専門知識が必要であり、特定の目標に対してのみオンライン適応スペースの削減をサポートする。
これらの制限に対処するため、我々は「適応空間削減のための深層学習プラス」 -- 略してDLASeR+を示す。
DLASeR+は、機能エンジニアリングを必要としないオンライン適応スペース削減のための拡張可能な学習フレームワークを提供すると同時に、3種類の適応目標(しきい値、最適化、セットポイント目標)をサポートする。
我々は,internet-of-thingsアプリケーションの2つのインスタンスでdlaser+を評価する。
dlaser+を,学習に依存する適応空間削減のための徹底分析と2つの最先端手法を適用したベースラインと比較した。
その結果、DLASeR+は、徹底的な分析手法と比較して適応目標の実現に無視できる効果があり、最先端のアプローチを超える3つの一般的な適応目標をサポートします。
関連論文リスト
- 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) - Can Learned Optimization Make Reinforcement Learning Less Difficult? [70.5036361852812]
学習の最適化が強化学習の難しさを克服するのに役立つかどうかを検討する。
本稿では, 塑性, 探索および非定常性のための学習最適化手法(OPEN)を用いて, 入力特性と出力構造がこれらの困難に対して予め提案された情報によって通知される更新規則をメタラーニングする。
論文 参考訳（メタデータ） (2024-07-09T17:55:23Z) - Reimagining Self-Adaptation in the Age of Large Language Models [0.9999629695552195]
本稿では、ジェネレーティブAI(GenAI)を用いて、アーキテクチャ適応の有効性と効率を高めるためのビジョンを提案する。
そこで我々は,Large Language Models (LLMs) が文脈依存適応戦略を自律的に生成できることを提案する。
我々の研究結果は、GenAIがソフトウェアシステムの動的適応性とレジリエンスを改善する大きな可能性を持っていることを示唆している。
論文 参考訳（メタデータ） (2024-04-15T15:30:12Z) - Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via
Optimization Trajectory Distillation [73.83178465971552]
自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。
非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。
本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
論文 参考訳（メタデータ） (2023-07-27T08:58:05Z) - Reducing Large Adaptation Spaces in Self-Adaptive Systems Using Machine
Learning [10.444983001376874]
ML2ASR+は、適応空間削減のための機械学習の略である。
インターネット・オブ・シングス・アプリケーションとサービス・ベース・システムという,適応空間のサイズが異なる2つのアプリケーションに対してML2ASR+を評価する。
その結果,ML2ASR+は異なる種類の目標に対応するために適用可能であり,適応空間を減少させることができ,適応目標の実現に無視できない影響で90%以上の適応決定を行うことができることがわかった。
論文 参考訳（メタデータ） (2023-06-02T09:49:33Z) - Using Genetic Programming to Build Self-Adaptivity into Software-Defined
Networks [21.081978372435184]
自己適応ソリューションは、定期的に監視し、推論し、実行中のシステムに適応する必要があります。
本稿では,ソフトウェア定義ネットワークのデータフォワード論理における制御構造を継続的に学習し,更新する自己適応手法を提案する。
論文 参考訳（メタデータ） (2023-06-01T03:30:33Z) - 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) - Lifelong Unsupervised Domain Adaptive Person Re-identification with
Coordinated Anti-forgetting and Adaptation [127.6168183074427]
本稿では,LUDA (Lifelong Unsupervised Domain Adaptive) という新たなタスクを提案する。
これは、モデルがターゲット環境のラベル付けされていないデータに継続的に適応する必要があるため、難しい。
我々は、CLUDA-ReIDと呼ばれるこのタスクのための効果的なスキームを設計し、そこでは、アンチフォージェッティングが適応と調和して調整される。
論文 参考訳（メタデータ） (2021-12-13T13:19:45Z) - Towards Self-Adaptive Metric Learning On the Fly [16.61982837441342]
我々は,適応的メトリック関数をオンザフライで学習する上で,オンライン適応メトリック学習(OAML)のオープンな課題に対処することを目指している。
従来のオンラインメトリック学習とは異なり、学習されたメトリックは非線形であり、モデルは自己適応的である必要があるため、OAMLははるかに困難である。
制約の流れから適応モデルの複雑性を備えたANNベースのメトリクスを学習することで、この課題に取り組む新しいオンラインメトリック学習フレームワークを紹介します。
論文 参考訳（メタデータ） (2021-04-03T23:11:52Z) - Adapting User Interfaces with Model-based Reinforcement Learning [47.469980921522115]
インターフェースへの適応には、変更がユーザに与えるポジティブな効果とネガティブな効果の両方を考慮する必要があります。
保守的な適応政策をもたらす適応的ユーザインターフェースの新たなアプローチを提案する。
論文 参考訳（メタデータ） (2021-03-11T17:24:34Z) - Optimizing Wireless Systems Using Unsupervised and
Reinforced-Unsupervised Deep Learning [96.01176486957226]
無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。
本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
論文 参考訳（メタデータ） (2020-01-03T11:01:52Z)
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。