論文の概要: Towards Self-Adaptive Machine Learning-Enabled Systems Through QoS-Aware
Model Switching
- arxiv url: http://arxiv.org/abs/2308.09960v1
- Date: Sat, 19 Aug 2023 09:33:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 18:50:55.334467
- Title: Towards Self-Adaptive Machine Learning-Enabled Systems Through QoS-Aware
Model Switching
- Title(参考訳): qos対応モデルスイッチによる自己適応型機械学習システムの構築
- Authors: Shubham Kulkarni, Arya Marda, Karthik Vaidhyanathan
- Abstract要約: 本稿では,機械学習モデルバランサの概念を提案し,複数のモデルを用いてMLモデルに関連する不確実性を管理する。
AdaMLSは、この概念を活用し、従来のMAPE-Kループを拡張した新しい自己適応手法である。
予備的な結果は、AdaMLSが保証において、単純で単一の最先端モデルを上回ることを示唆している。
- 参考スコア(独自算出の注目度): 1.2277343096128712
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine Learning (ML), particularly deep learning, has seen vast
advancements, leading to the rise of Machine Learning-Enabled Systems (MLS).
However, numerous software engineering challenges persist in propelling these
MLS into production, largely due to various run-time uncertainties that impact
the overall Quality of Service (QoS). These uncertainties emanate from ML
models, software components, and environmental factors. Self-adaptation
techniques present potential in managing run-time uncertainties, but their
application in MLS remains largely unexplored. As a solution, we propose the
concept of a Machine Learning Model Balancer, focusing on managing
uncertainties related to ML models by using multiple models. Subsequently, we
introduce AdaMLS, a novel self-adaptation approach that leverages this concept
and extends the traditional MAPE-K loop for continuous MLS adaptation. AdaMLS
employs lightweight unsupervised learning for dynamic model switching, thereby
ensuring consistent QoS. Through a self-adaptive object detection system
prototype, we demonstrate AdaMLS's effectiveness in balancing system and model
performance. Preliminary results suggest AdaMLS surpasses naive and single
state-of-the-art models in QoS guarantees, heralding the advancement towards
self-adaptive MLS with optimal QoS in dynamic environments.
- Abstract(参考訳): 機械学習(ML)、特にディープラーニングは、大きな進歩を経験し、MLS(Machine Learning-Enabled Systems)の台頭につながった。
しかしながら、多くのソフトウェアエンジニアリングの課題が、これらのMLSを本番環境に推し進めることに続き、その大部分は、サービス品質(QoS)全体に影響を及ぼす様々な実行時の不確実性のためである。
これらの不確実性は、MLモデル、ソフトウェアコンポーネント、環境要因から生じる。
自己適応技術は実行時の不確実性を管理する可能性を秘めているが、MLSにおけるそれらの応用はいまだに未解明である。
そこで本研究では,機械学習モデルバランサの概念を提案し,複数のモデルを用いてMLモデルに関連する不確実性を管理する。
次に、この概念を活用し、従来のMAPE-Kループを拡張した新しい自己適応手法であるAdaMLSを紹介する。
AdaMLSは、動的モデルの切り替えに軽量な教師なし学習を採用し、一貫したQoSを保証する。
自己適応型オブジェクト検出システムのプロトタイプを通じて,AdaMLSのバランスシステムとモデル性能における有効性を示す。
予備的な結果から、AdaMLSはQoS保証において単純かつ単一の最先端モデルを超え、動的環境における最適なQoSによる自己適応型MLSへの進歩を示唆している。
関連論文リスト
- SWITCH: An Exemplar for Evaluating Self-Adaptive ML-Enabled Systems [1.2277343096128712]
QoS(Quality of Service)の維持にはMLS(Machine Learning-Enabled Systems)が不可欠である
機械学習モデルバランサ(Machine Learning Model Balancer)は、動的MLモデルの切り替えを容易にすることで、これらの不確実性に対処する概念である。
本稿では,このようなシステムにおける自己適応能力を高めるために開発されたSWITCHを紹介する。
論文 参考訳(メタデータ) (2024-02-09T11:56:44Z) - Entropy-Regularized Token-Level Policy Optimization for Large Language
Models [76.02428537504323]
大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。
本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。
その結果,ETPO は CodeLlama-7B モデルで有効な性能向上を実現し,RLHF から受け継いだ変種 PPO ベースラインを超越していることがわかった。
論文 参考訳(メタデータ) (2024-02-09T07:45:26Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - Managing ML-Based Application Non-Functional Behavior: A Multi-Model
Approach [3.557606350614016]
プライバシ、機密性、公正性、説明可能性などの機械学習モデルの非機能特性は、監視、検証、維持されなければならない。
本稿では,動的分類器選択に基づくマルチモデルアプローチを提案する。
非機能的プロパティフェアネスに着目した実世界のシナリオで,我々のソリューションを実験的に評価した。
論文 参考訳(メタデータ) (2023-11-21T15:47:06Z) - Practical Machine Learning Safety: A Survey and Primer [81.73857913779534]
自動運転車のような安全クリティカルなアプリケーションにおける機械学習アルゴリズムのオープンワールド展開は、さまざまなML脆弱性に対処する必要がある。
一般化エラーを低減し、ドメイン適応を実現し、外乱例や敵攻撃を検出するための新しいモデルと訓練技術。
我々の組織は、MLアルゴリズムの信頼性を異なる側面から向上するために、最先端のML技術を安全戦略にマッピングする。
論文 参考訳(メタデータ) (2021-06-09T05:56:42Z) - Quality Assurance Challenges for Machine Learning Software Applications
During Software Development Life Cycle Phases [1.4213973379473654]
本稿では機械学習(ML)モデルの品質保証に関する文献の詳細なレビューを行う。
ソフトウェア開発ライフサイクル(SDLC)の異なる段階にまたがる様々なML導入課題をマッピングすることで、MLSA品質保証問題の分類法を開発する。
このマッピングは、MLモデルの採用が重要であると考えられるMLSAの品質保証の取り組みを優先するのに役立ちます。
論文 参考訳(メタデータ) (2021-05-03T22:29:23Z) - Robusta: Robust AutoML for Feature Selection via Reinforcement Learning [24.24652530951966]
強化学習(RL)に基づく初の堅牢なAutoMLフレームワークRobostaを提案します。
このフレームワークは,良性サンプルの競争精度を維持しつつ,モデルロバスト性を最大22%向上させることができることを示す。
論文 参考訳(メタデータ) (2021-01-15T03:12:29Z) - AutonoML: Towards an Integrated Framework for Autonomous Machine
Learning [9.356870107137095]
Reviewは、自動化された自動MLシステムを構成するものに関して、より広範な視点を動機付けようとしている。
その上で、以下の研究領域の開発状況を調査します。
我々は、各トピックによって拡張されたレビューを通して概念的枠組みを開発し、高レベルなメカニズムを自律mlシステムに融合する方法を1つ紹介する。
論文 参考訳(メタデータ) (2020-12-23T11:01:10Z) - 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) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳(メタデータ) (2020-07-17T01:52:34Z) - Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。
エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。
我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文 参考訳(メタデータ) (2020-06-21T17:14:34Z)
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。