論文の概要: Dealing with Drift of Adaptation Spaces in Learning-based Self-Adaptive Systems using Lifelong Self-Adaptation

• arxiv url: http://arxiv.org/abs/2211.02658v1
• Date: Fri, 4 Nov 2022 07:45:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 15:09:26.395850
• Title: Dealing with Drift of Adaptation Spaces in Learning-based Self-Adaptive Systems using Lifelong Self-Adaptation
• Title（参考訳）: 生涯自己適応を用いた学習型自己適応システムにおける適応空間のドリフト処理
• Authors: Omid Gheibi and Danny Weyns
• Abstract要約: 我々は、学習に基づく自己適応システムにおいて特に重要な課題である適応空間のドリフトに焦点を当てる。 適応空間のドリフトは不確実性に起因し、適応オプションの品質に影響を及ぼす。 本稿では、生涯ML層を用いた学習に基づく自己適応システムを強化するための、新しい自己適応手法を提案する。
• 参考スコア（独自算出の注目度）: 14.893661749381868
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, machine learning (ML) has become a popular approach to support self-adaptation. ML has been used to deal with several problems in self-adaptation, such as maintaining an up-to-date runtime model under uncertainty and scalable decision-making. Yet, exploiting ML comes with inherent challenges. In this paper, we focus on a particularly important challenge for learning-based self-adaptive systems: drift in adaptation spaces. With adaptation space we refer to the set of adaptation options a self-adaptive system can select from at a given time to adapt based on the estimated quality properties of the adaptation options. Drift of adaptation spaces originates from uncertainties, affecting the quality properties of the adaptation options. Such drift may imply that eventually no adaptation option can satisfy the initial set of the adaptation goals, deteriorating the quality of the system, or adaptation options may emerge that allow enhancing the adaptation goals. In ML, such shift corresponds to novel class appearance, a type of concept drift in target data that common ML techniques have problems dealing with. To tackle this problem, we present a novel approach to self-adaptation that enhances learning-based self-adaptive systems with a lifelong ML layer. We refer to this approach as lifelong self-adaptation. The lifelong ML layer tracks the system and its environment, associates this knowledge with the current tasks, identifies new tasks based on differences, and updates the learning models of the self-adaptive system accordingly. A human stakeholder may be involved to support the learning process and adjust the learning and goal models. We present a reusable architecture for lifelong self-adaptation and apply it to the case of drift of adaptation spaces that affects the decision-making in self-adaptation. We validate the approach for a series of scenarios using the DeltaIoT exemplar.
• Abstract（参考訳）: 近年、機械学習(ML)は自己適応をサポートする一般的なアプローチとなっている。 MLは、不確実性とスケーラブルな意思決定の下での最新のランタイムモデルを維持するなど、自己適応におけるいくつかの問題に対処するために使用されてきた。 しかし、MLの利用には固有の課題が伴う。 本稿では,学習型自己適応システムにおいて特に重要な課題である適応空間のドリフトに着目した。 適応空間では、適応オプションの集合を参照し、自己適応システムは、適応オプションの推定品質特性に基づいて、所定のタイミングで適応を選択することができる。 適応空間のドリフトは不確実性から始まり、適応オプションの品質特性に影響を及ぼす。 このようなドリフトは、最終的に適応オプションが適応目標の初期セットを満たすことができず、システムの品質を劣化させたり、適応オプションが出現して適応目標が拡張されることを示唆する。 MLでは、そのようなシフトは、一般的なML技術が扱う問題のあるターゲットデータにおいて、新しいクラスの出現に対応する。 この問題に対処するために,生涯ML層を用いた学習に基づく自己適応システムを強化する,新たな自己適応手法を提案する。 このアプローチを生涯の自己適応と呼んでいる。 生涯ml層は、システムとその環境を追跡し、その知識と現在のタスクを関連付け、違いに基づいて新しいタスクを特定し、それに応じて自己適応システムの学習モデルを更新する。 人間の利害関係者は学習プロセスを支援し、学習と目標モデルを調整するために関与する。 本稿では、生涯にわたる自己適応のための再利用可能なアーキテクチャを提案し、自己適応の意思決定に影響を与える適応空間のドリフトに適用する。 DeltaIoTの例を使って,一連のシナリオに対するアプローチを検証する。

関連論文リスト

• Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments [50.310636905746975]
  実世界の機械学習システムは、基礎となるデータ生成プロセスの分散シフトによって、モデルの性能劣化に遭遇することが多い。 概念のドリフト適応のような既存のシフトへのアプローチは、その理性に依存しない性質によって制限される。 我々はこれらの制限を克服するために自己修復機械学習(SHML)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T20:05:51Z)
• Mamba-FSCIL: Dynamic Adaptation with Selective State Space Model for Few-Shot Class-Incremental Learning [113.89327264634984]
  FSCIL(Few-shot class-incremental Learning)は、最小限のトレーニングサンプルを持つモデルに新しいクラスを統合するという課題に直面している。 従来の手法では、固定パラメータ空間に依存する静的適応を広く採用し、逐次到着するデータから学習する。 本稿では、動的適応のための中間特徴に基づいてプロジェクションパラメータを動的に調整する2つの選択型SSMプロジェクタを提案する。
  論文  参考訳（メタデータ） (2024-07-08T17:09:39Z)
• Incorporating Neuro-Inspired Adaptability for Continual Learning in Artificial Intelligence [59.11038175596807]
  継続的な学習は、現実世界に強い適応性を持つ人工知能を強化することを目的としている。 既存の進歩は主に、破滅的な忘れを克服するために記憶安定性を維持することに焦点を当てている。 本稿では,学習の可塑性を改善するため,パラメータ分布の古い記憶を適切に減衰させる汎用的手法を提案する。
  論文  参考訳（メタデータ） (2023-08-29T02:43:58Z)
• Reducing Large Adaptation Spaces in Self-Adaptive Systems Using Machine Learning [10.444983001376874]
  ML2ASR+は、適応空間削減のための機械学習の略である。 インターネット・オブ・シングス・アプリケーションとサービス・ベース・システムという,適応空間のサイズが異なる2つのアプリケーションに対してML2ASR+を評価する。 その結果,ML2ASR+は異なる種類の目標に対応するために適用可能であり,適応空間を減少させることができ,適応目標の実現に無視できない影響で90%以上の適応決定を行うことができることがわかった。
  論文  参考訳（メタデータ） (2023-06-02T09:49:33Z)
• Learning Domain Adaptive Object Detection with Probabilistic Teacher [93.76128726257946]
  確率的教師(PT)と呼ばれる,シンプルで効果的な枠組みを提案する。 PTは、段階的に進化する教師から未ラベルの目標データの不確実性を捉え、相互に有利な方法で生徒の学習を指導することを目的としている。 また,不確実性誘導型自己学習を促進するために,新しいエントロピー・フォカル・ロス(EFL)を提案する。
  論文  参考訳（メタデータ） (2022-06-13T16:24:22Z)
• Deep Learning for Effective and Efficient Reduction of Large Adaptation Spaces in Self-Adaptive Systems [12.341380735802568]
  本稿では、DLASeR+を略して「適応空間削減のための深層学習」を提案する。 DLASeR+は、オンライン適応スペース削減のための拡張可能な学習フレームワークを提供する。 3種類の適応目標(しきい値、最適化、セットポイント目標)をサポートする。 その結果, DLASeR+は適応目標の実現に無視できる効果を有することがわかった。
  論文  参考訳（メタデータ） (2022-04-13T08:51:06Z)
• Lifelong Self-Adaptation: Self-Adaptation Meets Lifelong Machine Learning [14.893661749381868]
  我々は、生涯ML層を用いた機械学習技術を用いた自己適応システムに対する新しいアプローチとして、テキストライフロング自己適応を提案する。 生涯にわたるMLレイヤは、実行システムとその環境を追跡し、この知識を現在のタスクに関連付け、微分に基づいて新しいタスクを特定し、それに従って自己適応システムの学習モデルを更新する。 本稿では、生涯にわたる自己適応のための再利用可能なアーキテクチャを提案し、自己適応における意思決定に使用される学習モデルの入力データの予期せぬ変化によって引き起こされる概念漂流の場合に適用する。
  論文  参考訳（メタデータ） (2022-04-04T20:35:55Z)
• Adaptation to Unknown Situations as the Holy Grail of Learning-Based Self-Adaptive Systems: Research Directions [3.7311680121118345]
  我々は、未知の状況への適応は自己適応システムにとって究極の課題であると主張する。 我々は、可能であったとしても、人間の監督を伴わずに、自分たちの行動を定義し、彼らの目標に適応するシステムを構築するべきかどうかを議論を締めくくった。
  論文  参考訳（メタデータ） (2021-03-11T19:07:02Z)
• Adapting User Interfaces with Model-based Reinforcement Learning [47.469980921522115]
  インターフェースへの適応には、変更がユーザに与えるポジティブな効果とネガティブな効果の両方を考慮する必要があります。 保守的な適応政策をもたらす適応的ユーザインターフェースの新たなアプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-11T17:24:34Z)
• Logarithmic Regret Bound in Partially Observable Linear Dynamical Systems [91.43582419264763]
  部分的に観測可能な線形力学系におけるシステム同定と適応制御の問題について検討する。 開ループ系と閉ループ系の両方において有限時間保証付きの最初のモデル推定法を提案する。 AdaptOnは、未知の部分観測可能な線形力学系の適応制御において、$textpolylogleft(Tright)$ regretを達成する最初のアルゴリズムであることを示す。
  論文  参考訳（メタデータ） (2020-03-25T06:00:33Z)

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。