Fugu-MT 論文翻訳(概要): Continual-Learning-as-a-Service (CLaaS): On-Demand Efficient Adaptation of Predictive Models

論文の概要: Continual-Learning-as-a-Service (CLaaS): On-Demand Efficient Adaptation of Predictive Models

arxiv url: http://arxiv.org/abs/2206.06957v1
Date: Tue, 14 Jun 2022 16:22:54 GMT
ステータス: 処理完了
システム内更新日: 2022-06-15 14:08:56.594607
Title: Continual-Learning-as-a-Service (CLaaS): On-Demand Efficient Adaptation of Predictive Models
Title（参考訳）: CLaaS(Continuous-Learning-as-a-Service):予測モデルのオンデマンド適応
Authors: Rudy Semola, Vincenzo Lomonaco, Davide Bacciu
Abstract要約: 機械学習ベースのアプリケーションを構築したい企業にとって、将来の2つのトレンドは、リアルタイムの推論と継続的な更新である。本稿では,これらの課題に対処するため,新しいソフトウェアサービスと継続的学習・アズ・ア・サービス(CL)と呼ばれるモデル配信基盤を定義した。オンプレミスソリューションなしで、効率的でステートフルで使いやすい方法で、データサイエンティストのためのモデル更新とバリデーションツールをサポートする。
参考スコア（独自算出の注目度）: 17.83007940710455
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Predictive machine learning models nowadays are often updated in a stateless and expensive way. The two main future trends for companies that want to build machine learning-based applications and systems are real-time inference and continual updating. Unfortunately, both trends require a mature infrastructure that is hard and costly to realize on-premise. This paper defines a novel software service and model delivery infrastructure termed Continual Learning-as-a-Service (CLaaS) to address these issues. Specifically, it embraces continual machine learning and continuous integration techniques. It provides support for model updating and validation tools for data scientists without an on-premise solution and in an efficient, stateful and easy-to-use manner. Finally, this CL model service is easy to encapsulate in any machine learning infrastructure or cloud system. This paper presents the design and implementation of a CLaaS instantiation, called LiquidBrain, evaluated in two real-world scenarios. The former is a robotic object recognition setting using the CORe50 dataset while the latter is a named category and attribute prediction using the DeepFashion-C dataset in the fashion domain. Our preliminary results suggest the usability and efficiency of the Continual Learning model services and the effectiveness of the solution in addressing real-world use-cases regardless of where the computation happens in the continuum Edge-Cloud.
Abstract（参考訳）: 現代の予測機械学習モデルは、しばしばステートレスで高価な方法で更新される。機械学習ベースのアプリケーションやシステムを構築したい企業にとって、将来の2つのトレンドは、リアルタイムの推論と継続的な更新である。残念ながら、両方のトレンドは、オンプレミスを実現するのに困難でコストがかかる成熟したインフラストラクチャを必要とします。本稿では,これらの問題に対処するため,CLaaS(Continuous Learning-as-a-Service)と呼ばれる新しいソフトウェアサービスとモデル配信基盤を定義する。具体的には、継続的機械学習と継続的統合技術を採用しています。オンプレミスソリューションなしで、効率的でステートフルで使いやすい方法で、データサイエンティストのためのモデル更新と検証ツールのサポートを提供する。最後に、このCLモデルサービスは、任意の機械学習インフラストラクチャやクラウドシステムにカプセル化が容易です。本稿では2つの現実シナリオで評価されたCLaaSインスタンス化(LiquidBrain)の設計と実装について述べる。前者はCORe50データセットを使用したロボットオブジェクト認識設定で、後者はファッションドメインのDeepFashion-Cデータセットを使用した名前付きカテゴリと属性予測である。提案する予備結果は,連続学習モデルサービスのユーザビリティと効率性,および連続エッジクラウドにおける計算の場所に関わらず,実世界のユースケースに対するソリューションの有効性を示唆する。

関連論文リスト

A Practitioner's Guide to Continual Multimodal Pretraining [83.63894495064855]
マルチモーダル・ファンデーション・モデルは視覚と言語を交わす多くのアプリケーションに役立っている。モデルを更新し続けるために、継続事前トレーニングの研究は主に、大規模な新しいデータに対する頻度の低い、差別的な更新、あるいは頻繁に行われるサンプルレベルの更新のシナリオを探求する。本稿では,FoMo-in-Flux(FoMo-in-Flux)について紹介する。
論文参考訳（メタデータ） (2024-08-26T17:59:01Z)
PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文参考訳（メタデータ） (2023-09-13T17:55:11Z)
Heterogeneous Decentralized Machine Unlearning with Seed Model Distillation [47.42071293545731]
情報セキュリティ法は、訓練された機械学習モデルによって忘れられる無条件の権利を持つユーザーを許した。蒸留したシードモデルを用いて,すべてのクライアントに対して,消去可能なアンサンブルを構築する,HDUSと呼ばれる分散アンラーニングフレームワークを設計する。
論文参考訳（メタデータ） (2023-08-25T09:42:54Z)
Predicting Resource Consumption of Kubernetes Container Systems using Resource Models [3.138731415322007]
本稿では,クラウドシステムの資源モデルを実証的に導き出す方法について考察する。私たちは、CPUとメモリリソースに明示的に準拠したフォーマルな言語でデプロイされたサービスのモデルに基づいています。我々は、小規模なデプロイメントから収集したデータを経験的に活用して、より大きなデプロイメント上での高強度シナリオの実行をシミュレートする。
論文参考訳（メタデータ） (2023-05-12T17:59:01Z)
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)
Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文参考訳（メタデータ） (2021-06-14T11:42:46Z)
ModelCI-e: Enabling Continual Learning in Deep Learning Serving Systems [21.37434583546624]
本稿では,この問題を解決するために,ModelCI-e(継続的インテグレーションと進化)と呼ばれる軽量MLOpsプラグインを実装した。 ModelCI-eは継続学習(CL)とMLデプロイメント技術を採用し、モデルの更新と検証をエンドツーエンドでサポートする。予備的な結果は、ModelCI-eのユーザビリティを示し、モデル更新と推論ワークロード間の干渉を取り除くことが、システム効率の向上に不可欠であることを示している。
論文参考訳（メタデータ） (2021-06-06T13:28:51Z)
A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
論文参考訳（メタデータ） (2020-03-30T15:12:03Z)

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。