論文の概要: Machine Learning with DBOS

• arxiv url: http://arxiv.org/abs/2208.05101v1
• Date: Wed, 10 Aug 2022 01:46:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-11 13:27:38.524437
• Title: Machine Learning with DBOS
• Title（参考訳）: DBOSによる機械学習
• Authors: Robert Redmond and Nathan W. Weckwerth and Brian S. Xia and Qian Li and Peter Kraft and Deeptaanshu Kumar and \c{C}a\u{g}atay Demiralp and Michael Stonebraker
• Abstract要約: DBOSは、ストアドプロシージャ内にMLコードをカプセル化し、MLデータを集中化し、基盤となるMLデータに組み込まれたセキュリティを提供し、データとワークフローを追跡することで、MLアプリケーションをサポートする方法を示す。 本稿では,DBOS が支援する Web サービス上での HTTP 要求の異常検出を訓練した 1D CNN を提案する。 このモデルを用いて対話型異常検出システムを開発し,定性的なユーザフィードバックを通じて評価し,DBOS上に学習リアルタイムセキュリティサービスを開発するための概念実証としての有用性を示す。
• 参考スコア（独自算出の注目度）: 5.316591964647816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We recently proposed a new cluster operating system stack, DBOS, centered on a DBMS. DBOS enables unique support for ML applications by encapsulating ML code within stored procedures, centralizing ancillary ML data, providing security built into the underlying DBMS, co-locating ML code and data, and tracking data and workflow provenance. Here we demonstrate a subset of these benefits around two ML applications. We first show that image classification and object detection models using GPUs can be served as DBOS stored procedures with performance competitive to existing systems. We then present a 1D CNN trained to detect anomalies in HTTP requests on DBOS-backed web services, achieving SOTA results. We use this model to develop an interactive anomaly detection system and evaluate it through qualitative user feedback, demonstrating its usefulness as a proof of concept for future work to develop learned real-time security services on top of DBOS.
• Abstract（参考訳）: 我々は最近,DBMSを中心とした新しいクラスタオペレーティングシステムスタックDBOSを提案している。 DBOSは、ストアドプロシージャ内にMLコードをカプセル化し、アシラリーMLデータを集中化し、基盤となるDBMSに組み込まれたセキュリティを提供し、MLコードとデータを共同配置し、データとワークフローの出所を追跡することで、MLアプリケーションのユニークなサポートを可能にする。 ここでは、これらの利点のサブセットを2つのMLアプリケーションで示します。 まず、GPUを用いた画像分類とオブジェクト検出モデルがDBOSストアドプロシージャとして機能し、既存のシステムと競合する性能を持つことを示す。 次に、DBOSが支援するWebサービス上で、HTTPリクエストの異常を検知し、SOTA結果を達成するよう訓練された1D CNNを示す。 このモデルを用いて対話型異常検出システムを開発し,定性的なユーザフィードバックを通じて評価し,DBOS上に学習リアルタイムセキュリティサービスを開発するための概念実証としての有用性を示す。

関連論文リスト

• Membership Inference Attacks against Large Vision-Language Models [40.996912464828696]
  大規模視覚言語モデル(VLLM)は、様々なアプリケーションシナリオにわたるマルチモーダルタスクを処理するための有望な能力を示す。 彼らの出現は、プライベート写真や医療記録などの機密情報を含む可能性があることを考えると、重要なデータセキュリティ上の懸念も引き起こす。 VLLMで不適切な使用データを検出することは、致命的かつ未解決な問題である。
  論文  参考訳（メタデータ） (2024-11-05T08:35:08Z)
• $\textit{X}^2$-DFD: A framework for e${X}$plainable and e${X}$tendable Deepfake Detection [52.14468236527728]
  3つのコアモジュールからなる新しいフレームワークX2$-DFDを提案する。 最初のモジュールであるモデル特徴評価(MFA)は、MLLMに固有の偽機能の検出能力を計測し、これらの機能の下位ランキングを提供する。 第2のモジュールであるStrong Feature Strengthening (SFS)は、上位機能に基づいて構築されたデータセット上でMLLMを微調整することで、検出と説明機能を強化する。 第3のモジュールであるWak Feature Supplementing (WFS)は、外部専用の機能を統合することで、低階機能における微調整MLLMの機能を改善する。
  論文  参考訳（メタデータ） (2024-10-08T15:28:33Z)
• DS-Agent: Automated Data Science by Empowering Large Language Models with Case-Based Reasoning [56.887047551101574]
  大規模言語モデル(LLM)エージェントとケースベース推論(CBR)を利用した新しいフレームワークであるDS-Agentを提案する。 開発段階では、DS-AgentはCBRフレームワークに従い、自動イテレーションパイプラインを構築する。 デプロイメントの段階では、DS-Agentは、シンプルなCBRパラダイムで低リソースのデプロイメントステージを実装し、LCMの基本能力に対する需要を大幅に削減する。
  論文  参考訳（メタデータ） (2024-02-27T12:26:07Z)
• Recommender AI Agent: Integrating Large Language Models for Interactive Recommendations [53.76682562935373]
  我々は,LLMを脳として,レコメンダモデルをツールとして使用する,textbfInteRecAgentという効率的なフレームワークを紹介した。 InteRecAgentは会話レコメンデーションシステムとして満足度を達成し、汎用LLMよりも優れる。
  論文  参考訳（メタデータ） (2023-08-31T07:36:44Z)
• Detect, Distill and Update: Learned DB Systems Facing Out of Distribution Data [5.228711636020664]
  ニューラルネットワーク(NN)モデルが異なる分布に従えば,新しいデータを更新する方法について検討する。 問題設定の要件は、学習したDBコンポーネントが古いデータや新しいデータのタスクに対して高い正確性を保証することです。 本稿では,新しいアップアビリティ・フレームワーク(DDUp)を提案する。
  論文  参考訳（メタデータ） (2022-10-11T15:00:25Z)
• LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak Supervision [63.08516384181491]
  専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。 本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。 我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
  論文  参考訳（メタデータ） (2021-11-02T15:16:08Z)
• Bridging the gap to real-world for network intrusion detection systems with data-centric approach [1.4699455652461724]
  本稿では、NIDS研究の現在の限界に対処するために、体系的なデータ中心のアプローチを提案する。 最新のネットワークトラフィックとアタックで構成されたNIDSデータセットを生成し、ラベリングプロセスは設計によって統合される。
  論文  参考訳（メタデータ） (2021-10-25T04:50:12Z)
• Enabling Un-/Semi-Supervised Machine Learning for MDSE of the Real-World CPS/IoT Applications [0.5156484100374059]
  我々は、スマートサイバー物理システム(CPS)とIoT(Internet of Things)の現実的なユースケースシナリオに対して、ドメイン固有モデル駆動ソフトウェアエンジニアリング(MDSE)をサポートする新しいアプローチを提案する。 人工知能(AI)の本質において利用可能なデータの大部分はラベルが付けられていないと我々は主張する。したがって、教師なしおよび/または半教師なしのMLアプローチが実践的な選択である。 提案手法は,既存の最先端MDSEツールと完全に実装され,CPS/IoTドメインを提供する。
  論文  参考訳（メタデータ） (2021-07-06T15:51:39Z)
• CREPO: An Open Repository to Benchmark Credal Network Algorithms [78.79752265884109]
  クレダルネットワークは、確率質量関数の集合であるクレダルに基づく不正確な確率的グラフィカルモデルである。 CREMAと呼ばれるJavaライブラリが最近リリースされ、クレダルネットワークをモデル化し、処理し、クエリする。 我々は,これらのモデル上での推論タスクの正確な結果とともに,合成クレダルネットワークのオープンリポジトリであるcrrepoを提案する。
  論文  参考訳（メタデータ） (2021-05-10T07:31:59Z)
• A Unified Transferable Model for ML-Enhanced DBMS [53.46830627879208]
  本稿では,タスク間で伝達可能な知識をキャプチャするマルチタスクトレーニングプロシージャと,db間でのメタ知識を蒸留するプリトレーニングファインチューンプロシージャを用いた統一モデルmtmlfを提案する。 このパラダイムはクラウドDBサービスに適しており、将来的にMLの使用方法に革命をもたらす可能性があると考えています。
  論文  参考訳（メタデータ） (2021-05-06T03:31:32Z)

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。