論文の概要: An Edge-Cloud Integrated Framework for Flexible and Dynamic Stream
Analytics
- arxiv url: http://arxiv.org/abs/2205.04622v2
- Date: Wed, 11 May 2022 21:27:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-14 21:50:40.231224
- Title: An Edge-Cloud Integrated Framework for Flexible and Dynamic Stream
Analytics
- Title(参考訳): 柔軟な動的ストリーム分析のためのエッジクラウド統合フレームワーク
- Authors: Xin Wang, Azim Khan, Jianwu Wang, Aryya Gangopadhyay, Carl E. Busart,
Jade Freeman
- Abstract要約: 我々は、RNNベースのストリーム分析において、エッジリソースとクラウドリソースを最大限に活用して、より正確な精度とレイテンシを実現する方法について研究する。
本稿では,エッジ上での低レイテンシ推論とクラウド上での高キャパシティトレーニングをサポートするハイブリッドストリーム分析のための,エッジクラウド統合フレームワークを提案する。
- 参考スコア(独自算出の注目度): 4.917500412555004
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the popularity of Internet of Things (IoT), edge computing and cloud
computing, more and more stream analytics applications are being developed
including real-time trend prediction and object detection on top of IoT sensing
data. One popular type of stream analytics is the recurrent neural network
(RNN) deep learning model based time series or sequence data prediction and
forecasting. Different from traditional analytics that assumes data to be
processed are available ahead of time and will not change, stream analytics
deals with data that are being generated continuously and data
trend/distribution could change (aka concept drift), which will cause
prediction/forecasting accuracy to drop over time. One other challenge is to
find the best resource provisioning for stream analytics to achieve good
overall latency. In this paper, we study how to best leverage edge and cloud
resources to achieve better accuracy and latency for RNN-based stream
analytics. We propose a novel edge-cloud integrated framework for hybrid stream
analytics that support low latency inference on the edge and high capacity
training on the cloud. We study the flexible deployment of our hybrid learning
framework, namely edge-centric, cloud-centric and edge-cloud integrated.
Further, our hybrid learning framework can dynamically combine inference
results from an RNN model pre-trained based on historical data and another RNN
model re-trained periodically based on the most recent data. Using real-world
and simulated stream datasets, our experiments show the proposed edge-cloud
deployment is the best among all three deployment types in terms of latency.
For accuracy, the experiments show our dynamic learning approach performs the
best among all learning approaches for all three concept drift scenarios.
- Abstract(参考訳): IoT(Internet of Things)やエッジコンピューティング,クラウドコンピューティングの普及に伴い,IoTセンサデータ上でのリアルタイムトレンド予測やオブジェクト検出など,ストリーム分析アプリケーションの開発がますます進んでいる。
ストリーム分析の一般的なタイプの1つは、recurrent neural network(rnn)のディープラーニングモデルに基づく時系列あるいはシーケンスデータ予測と予測である。
処理対象のデータが前もって利用可能で変更されないと仮定した従来の分析とは違って、ストリーム分析では、継続的に生成されるデータと、データトレンド/分散(コンセプトドリフト)が変更され、予測/予測精度が時間とともに低下する可能性がある。
もうひとつの課題は,ストリーム分析に最適なリソースプロビジョニングを提供することによる,全体的なレイテンシの向上だ。
本稿では,rnnベースのストリーム分析において,エッジリソースとクラウドリソースを最大限に活用し,精度とレイテンシを向上させる方法について検討する。
本稿では,エッジ上の低レイテンシ推論とクラウド上の高容量トレーニングをサポートするハイブリッドストリーム分析のための,エッジクラウド統合フレームワークを提案する。
我々は,エッジ中心,クラウド中心,エッジクラウド統合といったハイブリッド学習フレームワークの柔軟な展開について検討する。
さらに,このハイブリッド学習フレームワークは,過去のデータに基づいて事前学習したrnnモデルと,最新のデータに基づいて周期的に再訓練された別のrnnモデルから推定結果を動的に結合することができる。
実世界とシミュレートされたストリームデータセットを用いて,提案するエッジクラウドデプロイメントが,レイテンシの観点から3つのデプロイメントタイプの中で最も優れていることを示す。
実験では,3つのコンセプトドリフトシナリオすべてにおいて,動的学習手法が最善の学習手法であることを示す。
- 全文 参考訳へのリンク
関連論文リスト
- Distributed intelligence on the Edge-to-Cloud Continuum: A systematic
literature review [62.997667081978825]
このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。
現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
論文 参考訳(メタデータ) (2022-04-29T08:06:05Z) - Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling
and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。
異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。
出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文 参考訳(メタデータ) (2022-03-29T21:18:47Z) - KENN: Enhancing Deep Neural Networks by Leveraging Knowledge for Time
Series Forecasting [6.652753636450873]
本稿では,時系列予測のための知識融合アーキテクチャである知識拡張ニューラルネットワーク(KENN)を提案する。
我々は、KENNがフレームワーク全体のデータ依存を減らすだけでなく、純粋に知識とデータ駆動ドメインによって生成されるものよりも優れた予測を生成することで、パフォーマンスを向上させることを示した。
論文 参考訳(メタデータ) (2022-02-08T14:47:47Z) - Neural Capacitance: A New Perspective of Neural Network Selection via
Edge Dynamics [85.31710759801705]
現在の実践は、性能予測のためのモデルトレーニングにおいて高価な計算コストを必要とする。
本稿では,学習中のシナプス接続(エッジ)上の制御ダイナミクスを解析し,ニューラルネットワーク選択のための新しいフレームワークを提案する。
我々のフレームワークは、ニューラルネットワークトレーニング中のバックプロパゲーションがシナプス接続の動的進化と等価であるという事実に基づいて構築されている。
論文 参考訳(メタデータ) (2022-01-11T20:53:15Z) - Unified Instance and Knowledge Alignment Pretraining for Aspect-based
Sentiment Analysis [85.22774271500032]
我々は,バニラ・プレトレイン・ファインチューンパイプラインにアライメント事前訓練フレームワークを導入する。
まず、大規模事前学習データセットから対象ドメイン関連インスタンスを選択するために、新しい粗大な検索サンプリング手法を考案する。
次に、知識レベルでのドメインギャップをさらに橋渡しするための知識ガイダンスに基づく戦略を導入する。
論文 参考訳(メタデータ) (2021-10-26T04:03:45Z) - A communication efficient distributed learning framework for smart
environments [0.4898659895355355]
本稿では,データ生成箇所にデータ分析を近づける分散学習フレームワークを提案する。
分散機械学習技術を使用することで、クラウドソリューションに匹敵するパフォーマンスを確保しながら、ネットワークオーバーヘッドを大幅に削減することができる。
分析はまた、ノード上のデータの特定の分布に基づいて、各分散学習アプローチがいつ好ましいかを示す。
論文 参考訳(メタデータ) (2021-09-27T13:44:34Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳(メタデータ) (2021-05-03T07:23:39Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-17T08:28:30Z) - Incorporating Kinematic Wave Theory into a Deep Learning Method for
High-Resolution Traffic Speed Estimation [3.0969191504482243]
本研究では, 波動に基づく深部畳み込みニューラルネットワーク(Deep CNN)を提案し, スパースプローブ車両軌道から高分解能交通速度のダイナミクスを推定する。
我々は,既存の学習に基づく推定手法の堅牢性を改善するために,運動波理論の原理を取り入れるための2つの重要なアプローチを導入する。
論文 参考訳(メタデータ) (2021-02-04T21:51:25Z)
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。