論文の概要: Addressing Tactic Volatility in Self-Adaptive Systems Using Evolved
Recurrent Neural Networks and Uncertainty Reduction Tactics
- arxiv url: http://arxiv.org/abs/2204.10308v1
- Date: Thu, 21 Apr 2022 17:47:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-22 14:50:52.344059
- Title: Addressing Tactic Volatility in Self-Adaptive Systems Using Evolved
Recurrent Neural Networks and Uncertainty Reduction Tactics
- Title(参考訳): 進化的リカレントニューラルネットワークと不確実性低減手法を用いた自己適応システムの戦術ボラティリティの対応
- Authors: Aizaz Ul Haq, Niranjana Deshpande, AbdElRahman ElSaid, Travis Desell,
Daniel E. Krutz
- Abstract要約: 自己適応システムは、しばしば戦術を使って適応を行う。
戦術のボラティリティは現実世界のシステムで発生し、戦術の属性における変数の振る舞いとして定義される。
本稿では、進化したリカレントニューラルネットワーク(eRNN)を利用した戦術ボラティリティアウェア(TVA-E)プロセスを提案し、正確な戦術予測を行う。
- 参考スコア(独自算出の注目度): 6.942025710859187
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Self-adaptive systems frequently use tactics to perform adaptations. Tactic
examples include the implementation of additional security measures when an
intrusion is detected, or activating a cooling mechanism when temperature
thresholds are surpassed. Tactic volatility occurs in real-world systems and is
defined as variable behavior in the attributes of a tactic, such as its latency
or cost. A system's inability to effectively account for tactic volatility
adversely impacts its efficiency and resiliency against the dynamics of
real-world environments. To enable systems' efficiency against tactic
volatility, we propose a Tactic Volatility Aware (TVA-E) process utilizing
evolved Recurrent Neural Networks (eRNN) to provide accurate tactic
predictions. TVA-E is also the first known process to take advantage of
uncertainty reduction tactics to provide additional information to the
decision-making process and reduce uncertainty. TVA-E easily integrates into
popular adaptation processes enabling it to immediately benefit a large number
of existing self-adaptive systems. Simulations using 52,106 tactic records
demonstrate that: I) eRNN is an effective prediction mechanism, II) TVA-E
represents an improvement over existing state-of-the-art processes in
accounting for tactic volatility, and III) Uncertainty reduction tactics are
beneficial in accounting for tactic volatility. The developed dataset and tool
can be found at https://tacticvolatility.github.io/
- Abstract(参考訳): 自己適応システムは、しばしば戦術を使って適応を行う。
戦術的な例としては、侵入が検出された場合のさらなるセキュリティ対策の実施、温度閾値を超えた場合の冷却機構の活性化などがある。
戦術のボラティリティは現実世界のシステムで発生し、そのレイテンシやコストなどの戦術の属性の変動挙動として定義される。
戦術的ボラティリティを効果的に説明できないシステムは、実世界の環境のダイナミクスに対する効率性と弾力性に悪影響を及ぼす。
戦術的ボラティリティに対するシステムの効率性を高めるために,進化型リカレントニューラルネットワーク(ernn)を用いた戦術的ボラティリティ認識(tva-e)プロセスを提案する。
tva-eはまた、不確実性低減戦術を利用して意思決定プロセスにさらなる情報を提供し、不確実性を減らす最初の既知のプロセスでもある。
TVA-Eは、一般的な適応プロセスと容易に統合され、既存の多くの自己適応システムに即座に利益をもたらす。
I) eRNNは効果的な予測メカニズムであり、II) TVA-Eは戦術的ボラティリティを考慮した既存の最先端プロセスの改善であり、III) 戦術的ボラティリティを考慮した不確実性削減戦術は有用である。
開発されたデータセットとツールはhttps://tacticvolatility.github.io/で見ることができる。
関連論文リスト
- Dynamic Perturbation-Adaptive Adversarial Training on Medical Image
Classification [9.039586043401972]
敵の例(AE)は生データと知覚不可能な類似性を示し、ネットワークの堅牢性に対する深刻な懸念を提起した。
本稿では,ATを動的学習環境に配置し,適応型データレベルの摂動を生成する動的摂動適応対向訓練(DPAAT)手法を提案する。
HAM10000データセットの総合的な試験により、DPAATはより堅牢性の向上と一般化保存を達成できただけでなく、平均精度と解釈可能性を大幅に向上した。
論文 参考訳(メタデータ) (2024-03-11T15:16:20Z) - Enhancing Security in Federated Learning through Adaptive
Consensus-Based Model Update Validation [2.28438857884398]
本稿では,ラベルフリップ攻撃に対して,FL(Federated Learning)システムを構築するための高度なアプローチを提案する。
本稿では,適応的しきい値設定機構と統合されたコンセンサスに基づく検証プロセスを提案する。
以上の結果から,FLシステムのレジリエンスを高め,ラベルフリップ攻撃の顕著な緩和効果が示唆された。
論文 参考訳(メタデータ) (2024-03-05T20:54:56Z) - Advancing Attack-Resilient Scheduling of Integrated Energy Systems with
Demand Response via Deep Reinforcement Learning [12.759244879222758]
本稿では,IDR(Integrated demand response)対応IESのためのDRL(State-adversarial Deep reinforcement Learning)に基づく,革新的なモデルレスレジリエンススケジューリング手法を提案する。
提案手法は, RESと負荷による不確実性に適切に対処し, サイバー攻撃がスケジューリング戦略に与える影響を軽減し, 各種エネルギー源に対する安定した需要供給を確保することができることを示す。
論文 参考訳(メタデータ) (2023-11-28T23:29:36Z) - DA-LSTM: A Dynamic Drift-Adaptive Learning Framework for Interval Load
Forecasting with LSTM Networks [1.3342521220589318]
ドリフト等級閾値は、ドリフトを識別するための変化検出方法を設計するために定義されるべきである。
本稿では,負荷予測モデルの性能向上を図るための動的ドリフト適応長短期メモリ(DA-LSTM)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-15T16:26:03Z) - Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model
Predictive Control [49.60520501097199]
本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。
我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
論文 参考訳(メタデータ) (2022-10-23T00:45:05Z) - Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。
計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。
また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
論文 参考訳(メタデータ) (2022-03-23T06:24:31Z) - Uncertainty Weighted Actor-Critic for Offline Reinforcement Learning [63.53407136812255]
オフライン強化学習は、探索を必要とせずに、事前に収集された静的データセットから効果的なポリシーを学ぶことを約束する。
既存のQラーニングとアクター批判に基づくオフポリティクスRLアルゴリズムは、アウト・オブ・ディストリビューション(OOD)アクションや状態からのブートストラップ時に失敗する。
我々は,OOD状態-動作ペアを検出し,トレーニング目標への貢献度を下げるアルゴリズムであるUncertainty Weighted Actor-Critic (UWAC)を提案する。
論文 参考訳(メタデータ) (2021-05-17T20:16:46Z) - Non-stationary Online Learning with Memory and Non-stochastic Control [71.14503310914799]
我々は,過去の決定に依拠する損失関数を許容するメモリを用いたオンライン凸最適化(OCO)の問題について検討する。
本稿では,非定常環境に対してロバストなアルゴリズムを設計するための性能指標として,動的ポリシーの後悔を紹介する。
我々は,時間的地平線,非定常度,メモリ長といった面で,最適な動的ポリシーの後悔を確実に享受するメモリ付きOCOの新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-07T09:45:15Z) - Unsupervised Domain Adaptation for Speech Recognition via Uncertainty
Driven Self-Training [55.824641135682725]
WSJ をソースドメインとし,TED-Lium 3 とSWITCHBOARD を併用したドメイン適応実験を行った。
論文 参考訳(メタデータ) (2020-11-26T18:51:26Z) - Improving the Decision-Making Process of Self-Adaptive Systems by
Accounting for Tactic Volatility [16.734833483347998]
戦術ボラティリティ・アウェア (Tactic volatility Aware,TVA) は、戦術の実行に必要なコストと時間を正確に見積もることができる。
TVAはまた、時系列予測にAutoregressive Integrated Moving Average (ARIMA) も使用しており、システムは積極的に仕様を維持できる。
論文 参考訳(メタデータ) (2020-04-23T16:34:28Z) - Adversarial vs behavioural-based defensive AI with joint, continual and
active learning: automated evaluation of robustness to deception, poisoning
and concept drift [62.997667081978825]
人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。
本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
論文 参考訳(メタデータ) (2020-01-13T13:54:36Z)
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。