論文の概要: IDEAL: Toward High-efficiency Device-Cloud Collaborative and Dynamic
Recommendation System
- arxiv url: http://arxiv.org/abs/2302.07335v1
- Date: Tue, 14 Feb 2023 20:44:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-16 16:28:10.925951
- Title: IDEAL: Toward High-efficiency Device-Cloud Collaborative and Dynamic
Recommendation System
- Title(参考訳): IDEAL:高効率デバイスクラウドコラボレーションと動的レコメンデーションシステムを目指して
- Authors: Zheqi Lv, Zhengyu Chen, Shengyu Zhang, Kun Kuang, Wenqiao Zhang,
Mengze Li, Beng Chin Ooi, Fei Wu
- Abstract要約: 2つのトレンドは、デバイスとクラウドのコラボレーションと動的レコメンデーションを可能にする。
我々は、ドメイン外データを検出することで、Iを実装するための新しいデバイスインテリジェンスタスクを設計する。
本研究は,4つの公開ベンチマークにおける有効性と一般化性を示す。
- 参考スコア(独自算出の注目度): 48.04687384069841
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommendation systems have shown great potential to solve the information
explosion problem and enhance user experience in various online applications,
which recently present two emerging trends: (i) Collaboration: single-sided
model trained on-cloud (separate learning) to the device-cloud collaborative
recommendation (collaborative learning). (ii) Real-time Dynamic: the network
parameters are the same across all the instances (static model) to adaptive
network parameters generation conditioned on the real-time instances (dynamic
model). The aforementioned two trends enable the device-cloud collaborative and
dynamic recommendation, which deeply exploits the recommendation pattern among
cloud-device data and efficiently characterizes different instances with
different underlying distributions based on the cost of frequent device-cloud
communication. Despite promising, we argue that most of the communications are
unnecessary to request the new parameters of the recommendation system on the
cloud since the on-device data distribution are not always changing. To
alleviate this issue, we designed a Intelligent DEvice-Cloud PArameter Request
ModeL (IDEAL) that can be deployed on the device to calculate the request
revenue with low resource consumption, so as to ensure the adaptive
device-cloud communication with high revenue. We envision a new device
intelligence learning task to implement IDEAL by detecting the data
out-of-domain. Moreover, we map the user's real-time behavior to a normal
distribution, the uncertainty is calculated by the multi-sampling outputs to
measure the generalization ability of the device model to the current user
behavior. Our experimental study demonstrates IDEAL's effectiveness and
generalizability on four public benchmarks, which yield a higher efficient
device-cloud collaborative and dynamic recommendation paradigm.
- Abstract(参考訳): 情報爆発問題を解決するためのレコメンデーションシステムは、様々なオンラインアプリケーションのユーザエクスペリエンスを向上させる大きな可能性を秘めている。
(i)コラボレーテーション: デバイスクラウドコラボレーティブレコメンデーション(コラボレーティブレコメンデーション)に対して,オンクラウド(分離学習)でトレーニングされたシングルサイドモデル。
(ii)リアルタイム動的:ネットワークパラメータは全てのインスタンス(静的モデル)で同じであり、リアルタイムインスタンス(動的モデル)で条件付けられた適応型ネットワークパラメータを生成する。
前述の2つのトレンドは、デバイスとクラウドのコラボレーティブとダイナミックなレコメンデーションを可能にする。これは、クラウドデバイスデータ間のレコメンデーションパターンを深く活用し、デバイスとクラウドの頻繁な通信のコストに基づいて、異なる下位ディストリビューションのインスタンスを効率的にキャラクタリングする。
将来性はあるものの,デバイス上のデータ分布が常に変化しているとは限らないため,クラウド上でのレコメンデーションシステムの新たなパラメータ要求は不要である,と我々は主張する。
この問題を軽減するため、我々は、高収入で適応的なデバイス-クラウド通信を保証するため、デバイスに展開可能なIntelligent Device-Cloud PArameter Request ModeL(IDEAL)を設計した。
ドメイン外のデータを検出してIDEALを実装するための新しいデバイスインテリジェンス学習タスクを構想する。
さらに、ユーザのリアルタイム動作を正規分布にマッピングし、その不確実性をマルチサンプリング出力によって計算し、デバイスモデルの一般化能力を現在のユーザ動作に測定する。
実験により,IDEALの4つの公開ベンチマークにおける有効性と一般化性を示すとともに,より効率的なデバイスクラウド協調型動的レコメンデーションパラダイムが得られた。
関連論文リスト
- Alioth: A Machine Learning Based Interference-Aware Performance Monitor
for Multi-Tenancy Applications in Public Cloud [15.942285615596566]
パブリッククラウドにおけるマルチテナントは、共有リソースのコロケーション干渉を引き起こす可能性がある。
クラウドアプリケーションの性能劣化をモニタリングする新しい機械学習フレームワークAliothを提案する。
Aliothの平均絶対誤差は5.29%のオフライン、10.8%である。
論文 参考訳(メタデータ) (2023-07-18T03:34:33Z) - Federated Privacy-preserving Collaborative Filtering for On-Device Next
App Prediction [52.16923290335873]
本稿では,モバイルデバイス使用時の次のアプリの起動を予測するための新しいSeqMFモデルを提案する。
古典行列分解モデルの構造を修正し、学習手順を逐次学習に更新する。
提案手法のもうひとつの要素は,ユーザからリモートサーバへの送信データの保護を保証する,新たなプライバシメカニズムである。
論文 参考訳(メタデータ) (2023-02-05T10:29:57Z) - Cloud-Device Collaborative Adaptation to Continual Changing Environments
in the Real-world [20.547119604004774]
本稿では,クラウドとデバイス間の協調を促進するクラウドデバイス協調型継続的適応の新たな学習パラダイムを提案する。
また、クラウド上の大規模モデルの一般化能力をデバイスモデルに転送するための教師学生モデルとして、不確実性に基づくVisual Prompt Adapted (U-VPA)を提案する。
提案するU-VPA教師学生フレームワークは,従来の最先端テスト時間適応とデバイスクラウド協調手法より優れていた。
論文 参考訳(メタデータ) (2022-12-02T05:02:36Z) - ON-DEMAND-FL: A Dynamic and Efficient Multi-Criteria Federated Learning
Client Deployment Scheme [37.099990745974196]
フェデレート学習のためのクライアントデプロイメントアプローチであるOn-Demand-FLを導入する。
私たちはDockerのようなコンテナ技術を使って効率的な環境を構築しています。
遺伝的アルゴリズム(GA)は多目的最適化問題を解決するために用いられる。
論文 参考訳(メタデータ) (2022-11-05T13:41:19Z) - Device-Cloud Collaborative Recommendation via Meta Controller [65.97416287295152]
オンデバイスレコメンデータとクラウドベースのレコメンデータの協調を動的に管理するメタコントローラを提案する。
対策サンプルと拡張トレーニングに基づいて,産業レコメンデーションシナリオにおける広範な実験は,メタコントローラの可能性を示唆している。
論文 参考訳(メタデータ) (2022-07-07T03:23:04Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。
最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。
提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
論文 参考訳(メタデータ) (2021-11-26T18:44:59Z) - ESAI: Efficient Split Artificial Intelligence via Early Exiting Using
Neural Architecture Search [6.316693022958222]
ディープニューラルネットワークは、多くのコンピュータビジョン関連タスクにおいて、従来の機械学習アルゴリズムよりも優れています。
大部分のデバイスは、優れたディープラーニングモデルがサーバー上のデータを解析する責任を負う、クラウドコンピューティングの方法論を活用しています。
本稿では、クラウドとオンデバイスモデルの両方を活用可能な、IoTデバイスにデプロイするための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-21T04:47:53Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳(メタデータ) (2021-05-03T07:23:39Z) - Dynamic Scheduling for Stochastic Edge-Cloud Computing Environments
using A3C learning and Residual Recurrent Neural Networks [30.61220416710614]
A-Advantage-Actor-Critic(A3C)学習は、データが少ない動的なシナリオに迅速に適応することが知られ、Residual Recurrent Neural Network(R2N2)はモデルパラメータを迅速に更新する。
我々はR2N2アーキテクチャを用いて、多数のホストパラメータとタスクパラメータを時間パターンとともにキャプチャし、効率的なスケジューリング決定を提供する。
実世界のデータセットで実施された実験では、エネルギー消費、応答時間、ServiceLevelAgreementおよびランニングコストがそれぞれ14.4%、7.74%、31.9%、および4.64%で大幅に改善された。
論文 参考訳(メタデータ) (2020-09-01T13:36:34Z)
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。