論文の概要: Automating In-Network Machine Learning

• arxiv url: http://arxiv.org/abs/2205.08824v1
• Date: Wed, 18 May 2022 09:42:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-19 14:04:39.637000
• Title: Automating In-Network Machine Learning
• Title（参考訳）: ネットワーク内機械学習の自動化
• Authors: Changgang Zheng, Mingyuan Zang, Xinpeng Hong, Riyad Bensoussane, Shay Vargaftik, Yaniv Ben-Itzhak, Noa Zilberman
• Abstract要約: Planterは、トレーニングされた機械学習モデルをプログラム可能なデバイスにマッピングするためのオープンソースのフレームワークである。 ネットワーク内機械学習アルゴリズムは,回線レートで動作し,レイテンシへの影響を無視し,標準スイッチング機能と共存し,精度のトレードオフがないことを示す。
• 参考スコア（独自算出の注目度）: 2.857025628729502
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Using programmable network devices to aid in-network machine learning has been the focus of significant research. However, most of the research was of a limited scope, providing a proof of concept or describing a closed-source algorithm. To date, no general solution has been provided for mapping machine learning algorithms to programmable network devices. In this paper, we present Planter, an open-source, modular framework for mapping trained machine learning models to programmable devices. Planter supports a wide range of machine learning models, multiple targets and can be easily extended. The evaluation of Planter compares different mapping approaches, and demonstrates the feasibility, performance, and resource efficiency for applications such as anomaly detection, financial transactions, and quality of experience. The results show that Planter-based in-network machine learning algorithms can run at line rate, have a negligible effect on latency, coexist with standard switching functionality, and have no or minor accuracy trade-offs.
• Abstract（参考訳）: ネットワーク内機械学習を支援するためにプログラム可能なネットワークデバイスを使うことは、重要な研究の焦点となっている。 しかし、研究の大部分は限られた範囲であり、概念の証明やクローズドソースアルゴリズムの記述を提供する。 これまで、機械学習アルゴリズムをプログラム可能なネットワークデバイスにマッピングするための一般的なソリューションは提供されていない。 本稿では、トレーニングされた機械学習モデルをプログラマブルデバイスにマッピングするためのオープンソースのモジュラーフレームワークであるPlanterを紹介する。 Planterは幅広い機械学習モデルをサポートし、複数のターゲットをサポートし、容易に拡張できる。 planterの評価は、異なるマッピングアプローチを比較し、異常検出、金融取引、経験の質といったアプリケーションの実現可能性、パフォーマンス、リソース効率を示す。 その結果、プランターベースのインネットワーク機械学習アルゴリズムは、ラインレートで実行でき、レイテンシーに無視できる効果があり、標準スイッチング機能と共存し、精度の面でのトレードオフがないことがわかった。

関連論文リスト

• TIFeD: a Tiny Integer-based Federated learning algorithm with Direct feedback alignment [47.39949471062935]
  リソース制約のあるデバイス上でのトレーニングマシンとディープラーニングモデルは、小さな機械学習分野における次の課題である。 提案したアルゴリズムは、完全なネットワークと単一層実装を備え、科学界でパブリックリポジトリとして利用可能である。
  論文  参考訳（メタデータ） (2024-11-25T14:44:26Z)
• CLASSify: A Web-Based Tool for Machine Learning [0.0]
  本稿では、機械学習の分類問題の自動化ツールについて、学習モデルのプロセスを簡単にし、結果を生成するとともに、データに対する情報的可視化と洞察を提供する。 CLASSifyは、機械学習の知識を必要とせずに分類問題を解決するオープンソースのツールである。
  論文  参考訳（メタデータ） (2023-10-05T15:51:36Z)
• Hybrid Algorithm Selection and Hyperparameter Tuning on Distributed Machine Learning Resources: A Hierarchical Agent-based Approach [0.0]
  本稿では,分散された機械学習アルゴリズムを選択するための,完全自動協調型エージェントベース機構を提案する。 我々の解は完全に正解であり、利用可能な資源の大きさに関連して線形時間と空間の複雑さを示す。
  論文  参考訳（メタデータ） (2023-09-12T21:07:23Z)
• Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
  最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。 収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。 我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:29:20Z)
• Machine Learning for Microcontroller-Class Hardware -- A Review [1.5311932971314297]
  本稿では,マイクロコントローラのクラスデバイス上での機械学習を実現する上で,ユニークな課題について述べる。 マイクロコントローラクラスデバイスのための機械学習モデル開発のためのクローズドループ広範に適用可能なワークフローを導入する。
  論文  参考訳（メタデータ） (2022-05-29T00:59:38Z)
• Flashlight: Enabling Innovation in Tools for Machine Learning [50.63188263773778]
  私たちは、機械学習ツールやシステムの革新を促進するために構築されたオープンソースのライブラリであるFlashlightを紹介します。 Flashlightは、広く使われているライブラリを下流で活用し、機械学習とシステム研究者をより緊密に連携させる研究を可能にするツールだと考えています。
  論文  参考訳（メタデータ） (2022-01-29T01:03:29Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Distributed Learning in Wireless Networks: Recent Progress and Future Challenges [170.35951727508225]
  次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。 エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。 本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
  論文  参考訳（メタデータ） (2021-04-05T20:57:56Z)
• From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks [71.23327876898816]
  フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。 我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
  論文  参考訳（メタデータ） (2020-06-07T05:11:18Z)

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。