Fugu-MT 論文翻訳(概要): Probabilistic Time Series Forecasting for Adaptive Monitoring in Edge Computing Environments

論文の概要: Probabilistic Time Series Forecasting for Adaptive Monitoring in Edge Computing Environments

arxiv url: http://arxiv.org/abs/2211.13729v1
Date: Thu, 24 Nov 2022 17:35:14 GMT
ステータス: 処理完了
システム内更新日: 2022-11-28 18:33:44.629064
Title: Probabilistic Time Series Forecasting for Adaptive Monitoring in Edge Computing Environments
Title（参考訳）: エッジコンピューティング環境における適応モニタリングのための確率的時系列予測
Authors: Dominik Scheinert, Babak Sistani Zadeh Aghdam, Soeren Becker, Odej Kao, Lauritz Thamsen
Abstract要約: 本稿では,重要なインフラをモニタリングするためのサンプリングベースおよびクラウドロケーションアプローチを提案する。公開されているストリーミングデータセット上で,モニタリングパイプラインのプロトタイプ実装を評価した。
参考スコア（独自算出の注目度）: 0.06999740786886537
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With increasingly more computation being shifted to the edge of the network, monitoring of critical infrastructures, such as intermediate processing nodes in autonomous driving, is further complicated due to the typically resource-constrained environments. In order to reduce the resource overhead on the network link imposed by monitoring, various methods have been discussed that either follow a filtering approach for data-emitting devices or conduct dynamic sampling based on employed prediction models. Still, existing methods are mainly requiring adaptive monitoring on edge devices, which demands device reconfigurations, utilizes additional resources, and limits the sophistication of employed models. In this paper, we propose a sampling-based and cloud-located approach that internally utilizes probabilistic forecasts and hence provides means of quantifying model uncertainties, which can be used for contextualized adaptations of sampling frequencies and consequently relieves constrained network resources. We evaluate our prototype implementation for the monitoring pipeline on a publicly available streaming dataset and demonstrate its positive impact on resource efficiency in a method comparison.
Abstract（参考訳）: 計算がネットワークのエッジにシフトするにつれて、自律運転における中間処理ノードなどの重要なインフラストラクチャの監視は、一般的にリソース制約のある環境のため、さらに複雑になる。監視によるネットワークリンクのリソースオーバーヘッドを低減するため,データ発光装置のフィルタリング手法に従うか,採用した予測モデルに基づいて動的サンプリングを行うかの方法が議論されている。それでも既存の手法では、デバイスの再設定、追加リソースの利用、採用モデルの高度化の制限といった、エッジデバイスへの適応的な監視が主に求められている。本稿では,確率的予測を内部的に活用し,サンプリング頻度の文脈適応や制約付きネットワークリソースの緩和に使用できるモデル不確実性を定量化する手法を提案する。我々は,公開されているストリーミングデータセット上でのモニタリングパイプラインのプロトタイプ実装を評価し,その手法比較において,リソース効率への影響を実証する。

関連論文リスト

Advancing Enterprise Spatio-Temporal Forecasting Applications: Data Mining Meets Instruction Tuning of Language Models For Multi-modal Time Series Analysis in Low-Resource Settings [0.0]
パティオ時間予測は輸送、物流、サプライチェーン管理において重要である。本稿では,従来の予測手法の強みと小言語モデルの命令チューニングを融合した動的マルチモーダル手法を提案する。我々のフレームワークは、推論速度とデータプライバシ/セキュリティを維持しながら、計算とメモリの要求を低減したオンプレミスのカスタマイズを可能にする。
論文参考訳（メタデータ） (2024-08-24T16:32:58Z)
Enhancing Cloud-Native Resource Allocation with Probabilistic Forecasting Techniques in O-RAN [3.190069716363552]
本稿では,Open Radio Access Network (O-RAN) のクラウドネイティブな側面と,Radio App (rApp) デプロイメントオプションについて検討する。本稿では,Deep Autoregressive Recurrent Network (DeepAR) の他の決定論的確率推定器に対する利点を示す。
論文参考訳（メタデータ） (2024-07-19T15:04:15Z)
Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文参考訳（メタデータ） (2024-01-29T02:08:40Z)
Amortizing intractable inference in large language models [56.92471123778389]
難治性後部分布のサンプルとして, 償却ベイズ推定を用いる。我々は,LLMファインチューニングの分散マッチングパラダイムが,最大習熟の代替となることを実証的に実証した。重要な応用として、チェーン・オブ・ソート推論を潜在変数モデリング問題として解釈する。
論文参考訳（メタデータ） (2023-10-06T16:36:08Z)
Deep-Ensemble-Based Uncertainty Quantification in Spatiotemporal Graph Neural Networks for Traffic Forecasting [2.088376060651494]
本稿では,短期交通予測のための最先端手法である拡散畳み込みリカレントニューラルネットワーク(DCRNN)に注目した。我々はDCRNNの不確実性を定量化するスケーラブルなディープアンサンブル手法を開発した。我々の汎用的かつスケーラブルなアプローチは、現在最先端のベイズ的手法や、多くの一般的な頻繁な手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-04-04T16:10:55Z)
Probabilistic Forecasting with Generative Networks via Scoring Rule Minimization [5.5643498845134545]
生成ニューラルネットワークを用いて高次元空間上の分布をパラメトリズする。生成ネットワークをトレーニングし、関心の現象の時間的シーケンスの記録に基づいて、予測順序(または前順序)のスコアリングルールを最小化する。本手法は,特に確率的キャリブレーションにおいて,最先端の対角法よりも優れている。
論文参考訳（メタデータ） (2021-12-15T15:51:12Z)
Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
論文参考訳（メタデータ） (2021-05-07T09:22:34Z)
Sampling-free Variational Inference for Neural Networks with Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文参考訳（メタデータ） (2021-03-15T16:16:18Z)
Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文参考訳（メタデータ） (2021-02-12T09:33:00Z)
Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文参考訳（メタデータ） (2020-07-28T07:34:30Z)
Distributionally Robust Chance Constrained Programming with Generative Adversarial Networks (GANs) [0.0]
GAN(Generative Adversarial Network)をベースとしたデータ駆動型分散ロバストな制約付きプログラミングフレームワークを提案する。非パラメトリックかつ教師なしの方法で、歴史的データから分布情報を完全抽出するために、GANを適用する。提案手法は需要不確実性の下でサプライチェーン最適化に適用される。
論文参考訳（メタデータ） (2020-02-28T00:05:22Z)

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。