論文の概要: Reducing Large Adaptation Spaces in Self-Adaptive Systems Using Machine
Learning
- arxiv url: http://arxiv.org/abs/2306.01404v1
- Date: Fri, 2 Jun 2023 09:49:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 04:44:13.443922
- Title: Reducing Large Adaptation Spaces in Self-Adaptive Systems Using Machine
Learning
- Title(参考訳): 機械学習を用いた自己適応システムにおける大規模適応空間の削減
- Authors: Federico Quin, Danny Weyns, Omid Gheibi
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 10.444983001376874
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern software systems often have to cope with uncertain operation
conditions, such as changing workloads or fluctuating interference in a
wireless network. To ensure that these systems meet their goals these
uncertainties have to be mitigated. One approach to realize this is
self-adaptation that equips a system with a feedback loop. The feedback loop
implements four core functions -- monitor, analyze, plan, and execute -- that
share knowledge in the form of runtime models. For systems with a large number
of adaptation options, i.e., large adaptation spaces, deciding which option to
select for adaptation may be time consuming or even infeasible within the
available time window to make an adaptation decision. This is particularly the
case when rigorous analysis techniques are used to select adaptation options,
such as formal verification at runtime, which is widely adopted. One technique
to deal with the analysis of a large number of adaptation options is reducing
the adaptation space using machine learning. State of the art has showed the
effectiveness of this technique, yet, a systematic solution that is able to
handle different types of goals is lacking. In this paper, we present ML2ASR+,
short for Machine Learning to Adaptation Space Reduction Plus. Central to
ML2ASR+ is a configurable machine learning pipeline that supports effective
analysis of large adaptation spaces for threshold, optimization, and setpoint
goals. We evaluate ML2ASR+ for two applications with different sizes of
adaptation spaces: an Internet-of-Things application and a service-based
system. The results demonstrate that ML2ASR+ can be applied to deal with
different types of goals and is able to reduce the adaptation space and hence
the time to make adaptation decisions with over 90%, with negligible effect on
the realization of the adaptation goals.
- Abstract(参考訳): 現代のソフトウェアシステムは、ワークロードの変更や無線ネットワークの干渉の変動など、不確定な運用条件に対処しなければならないことが多い。
これらのシステムが目標を達成するためには、不確実性を軽減する必要がある。
これを実現する1つのアプローチは、フィードバックループをシステムに提供する自己適応である。
フィードバックループは、監視、分析、計画、実行の4つのコア機能を実装し、ランタイムモデルの形式で知識を共有する。
多数の適応オプションを持つシステム、すなわち大きな適応空間では、どの適応を選択するかを決めることは、利用可能な時間ウィンドウ内で時間を要するか、あるいは不可能である可能性がある。
これは特に、厳密な分析技術を用いて、実行時の形式検証など、広く採用されている適応オプションを選択する場合である。
多数の適応オプションの分析に対処する1つの手法は、機械学習を用いて適応スペースを減らすことである。
最先端技術は、この手法の有効性を示しているが、異なるタイプの目標を処理できる体系的な解決策が欠如している。
本稿では,ML2ASR+について述べる。
Central to ML2ASR+は、設定可能な機械学習パイプラインで、しきい値、最適化、セットポイント目標のための大きな適応スペースの効率的な分析をサポートする。
我々は、適応空間のサイズが異なる2つのアプリケーションについて、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。
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) - Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process
Optimization [59.45414406974091]
我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。
NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。
その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
論文 参考訳(メタデータ) (2023-05-31T12:07:50Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - Dealing with Drift of Adaptation Spaces in Learning-based Self-Adaptive
Systems using Lifelong Self-Adaptation [10.852698169509006]
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。
論文 参考訳(メタデータ) (2022-11-04T07:45:48Z) - 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) - Towards Better Adaptive Systems by Combining MAPE, Control Theory, and
Machine Learning [16.998805882711864]
適応システムを設計するための2つの確立されたアプローチは、監視分析計画実行ループを使用するアーキテクチャベースの適応と、適応を実現するための制御理論(ct)の原則に依存する制御ベースの適応である。
私たちは、これらのアプローチが相互にどのように関連しているか、それらを組み合わせて機械学習をサポートすることがよりよい適応システムを生み出すかどうか、という問題に関係しています。
我々は、クラウドベースのエンタープライズシステムのシナリオを用いて、異なる適応アプローチを組み合わせる動機付け、異なるアプローチを組み合わせる際に分析を説明する。
論文 参考訳(メタデータ) (2021-03-19T15:00:08Z) - On the Impact of Applying Machine Learning in the Decision-Making of
Self-Adaptive Systems [17.93069260609691]
計算学習理論を用いて、検証者による予測に対する機械学習手法の影響に関する理論的境界を決定する。
最後に、この分野における今後の研究の機会を検討します。
論文 参考訳(メタデータ) (2021-03-18T11:59:50Z) - Meta-Learning with Neural Tangent Kernels [58.06951624702086]
メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。
このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。
本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
論文 参考訳(メタデータ) (2021-02-07T20:53:23Z) - MLComp: A Methodology for Machine Learning-based Performance Estimation
and Adaptive Selection of Pareto-Optimal Compiler Optimization Sequences [10.200899224740871]
組込みソフトウェア最適化のための新しい強化学習型ポリシー手法を提案する。
異なる機械学習モデルが自動的にテストされ、最適なものを選択する。
また、ターゲットとするプラットフォームやアプリケーションドメインに対して、フレームワークを効率的にトレーニングできることも示しています。
論文 参考訳(メタデータ) (2020-12-09T19:13:39Z) - Optimization-driven Machine Learning for Intelligent Reflecting Surfaces
Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。
散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。
本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文 参考訳(メタデータ) (2020-08-29T08:39:43Z) - 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。