Fugu-MT 論文翻訳(概要): EdgeServe: A Streaming System for Decentralized Model Serving

論文の概要: EdgeServe: A Streaming System for Decentralized Model Serving

arxiv url: http://arxiv.org/abs/2303.08028v3
Date: Thu, 22 Feb 2024 20:44:58 GMT
ステータス: 処理完了
システム内更新日: 2024-02-26 18:35:52.021429
Title: EdgeServe: A Streaming System for Decentralized Model Serving
Title（参考訳）: edgeserve:分散型モデルサービスのためのストリーミングシステム
Authors: Ted Shaowang, Sanjay Krishnan
Abstract要約: 本稿では,機械学習モデルからの予測をリアルタイムに処理できる分散ストリーミングシステムEdgeServeを提案する。人間の行動認識, 自律運転, ネットワーク侵入検出の3つのタスクについてEdgeServeを評価した。
参考スコア（独自算出の注目度）: 6.6392309331163935
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The relevant features for a machine learning task may arrive as one or more continuous streams of data. Serving machine learning models over streams of data creates a number of interesting systems challenges in managing data routing, time-synchronization, and rate control. This paper presents EdgeServe, a distributed streaming system that can serve predictions from machine learning models in real time. We evaluate EdgeServe on three streaming prediction tasks: (1) human activity recognition, (2) autonomous driving, and (3) network intrusion detection.
Abstract（参考訳）: 機械学習タスクに関連する機能は、1つ以上の連続的なデータストリームとして現れる可能性がある。データストリーム上の機械学習モデルの提供は、データルーティング、時間同期、レート制御を管理する上で、多くの興味深いシステム課題を生み出している。本稿では,機械学習モデルからの予測をリアルタイムに処理できる分散ストリーミングシステムEdgeServeを提案する。本稿では,(1)人的行動認識,(2)自律運転,(3)ネットワーク侵入検出という3つのストリーミング予測タスクについてedgeserveを評価する。

関連論文リスト

Enhancing Automata Learning with Statistical Machine Learning: A Network Security Case Study [4.2751988244805466]
本稿では,ネットワークトラヒックデータから状態マシンを抽出するために,オートマチック学習を用いる。我々は,産業パートナーのRabbitRun Technologiesが開発した商用ネットワーク侵入検知システムに適用する。我々の手法は、学習された状態マシンの状態数と遷移を平均67.5%削減する。
論文参考訳（メタデータ） (2024-05-18T02:10:41Z)
A Generic Approach to Integrating Time into Spatial-Temporal Forecasting via Conditional Neural Fields [1.7661845949769062]
本稿では,時間成分を予測モデルに統合する一般的な手法を提案する。主要なアイデアは、時間成分から抽出された補助的特徴を表現するために条件付きニューラルネットワークを使用することである。道路交通とセルラーネットワーク交通データセットの実験は,提案手法の有効性を実証する。
論文参考訳（メタデータ） (2023-05-11T14:20:23Z)
Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
論文参考訳（メタデータ） (2023-02-23T12:29:20Z)
ST-P3: End-to-end Vision-based Autonomous Driving via Spatial-Temporal Feature Learning [132.20119288212376]
本稿では,認識,予測,計画タスクを同時に行うための,より代表的な特徴の集合に対する時空間的特徴学習手法を提案する。私たちの知識を最大限に活用するために、私たちは、解釈可能なエンドツーエンドの自動運転システムの各部分を体系的に調査した最初の人です。
論文参考訳（メタデータ） (2022-07-15T16:57:43Z)
CARNet: A Dynamic Autoencoder for Learning Latent Dynamics in Autonomous Driving Tasks [11.489187712465325]
自律運転システムは、世界の抽象的な記述を形成するために、様々なセンサから収集した情報を効果的に活用すべきである。オートエンコーダのようなディープラーニングモデルは、受信データのストリームからコンパクトな潜在表現を学習できるため、その目的のために使用できる。この研究は、自動エンコーダとリカレントニューラルネットワークを組み合わせて現在の潜伏表現を学習する、複合dynAmicautoencodeRネットワークアーキテクチャであるCARNetを提案する。
論文参考訳（メタデータ） (2022-05-18T04:15:42Z)
IIsy: Practical In-Network Classification [2.608260886171156]
IIsyは、オフザシェルフネットワークデバイスを使用して、ハイブリッド方式で機械学習分類モデルを実装する。 IIsyはさまざまな従来型およびアンサンブル機械学習モデルをサポートし、スイッチパイプラインのステージ数とは独立してスケールする。スイッチとバックエンドの大規模モデルに小さなモデルを実装し,最適な分類結果に近づいたIIsyのハイブリッド分類への応用を実証する。
論文参考訳（メタデータ） (2022-05-17T11:37:15Z)
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)
Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
論文参考訳（メタデータ） (2020-11-14T11:09:51Z)
Information-Theoretic Bounds on the Generalization Error and Privacy Leakage in Federated Learning [96.38757904624208]
モバイルネットワーク上の機械学習アルゴリズムは、3つのカテゴリに分類される。この研究の主な目的は、前述のすべての学習パラダイムに対する情報理論のフレームワークを提供することである。
論文参考訳（メタデータ） (2020-05-05T21:23:45Z)
A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
論文参考訳（メタデータ） (2020-01-05T11:33:31Z)

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。