論文の概要: Online ML Self-adaptation in Face of Traps
- arxiv url: http://arxiv.org/abs/2309.05805v1
- Date: Mon, 11 Sep 2023 20:17:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-13 15:21:16.667371
- Title: Online ML Self-adaptation in Face of Traps
- Title（参考訳）: トラップに面したオンラインML自己適応
- Authors: Michal T\"opfer, Franti\v{s}ek Pl\'a\v{s}il, Tom\'a\v{s} Bure\v{s},
Petr Hn\v{e}tynka, Martin Kruli\v{s}, Danny Weyns
- Abstract要約: 本稿では,MLに基づく推定器の仕様とオンライントレーニング,自己適応に対する影響,推定器の評価に用いるアプローチについて論じる。
これらのトラップの概要は、オンラインMLを自己適応に適用する際に、他の研究者や実践者のガイダンスとして役立てることができる。
- 参考スコア（独自算出の注目度）: 5.8790300501137684
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Online machine learning (ML) is often used in self-adaptive systems to
strengthen the adaptation mechanism and improve the system utility. Despite
such benefits, applying online ML for self-adaptation can be challenging, and
not many papers report its limitations. Recently, we experimented with applying
online ML for self-adaptation of a smart farming scenario and we had faced
several unexpected difficulties -- traps -- that, to our knowledge, are not
discussed enough in the community. In this paper, we report our experience with
these traps. Specifically, we discuss several traps that relate to the
specification and online training of the ML-based estimators, their impact on
self-adaptation, and the approach used to evaluate the estimators. Our overview
of these traps provides a list of lessons learned, which can serve as guidance
for other researchers and practitioners when applying online ML for
self-adaptation.
- Abstract（参考訳）: オンライン機械学習(ML)は、適応メカニズムを強化し、システムの有用性を向上させるために、自己適応システムでしばしば使用される。
このようなメリットにもかかわらず、オンラインMLを自己適応に適用することは困難であり、その制限を報告する論文は少ない。
最近、スマートな農業シナリオの自己適応にオンラインmlを適用する実験を行い、コミュニティで十分に議論されていないいくつかの予期せぬ困難(罠)に直面した。
本稿では,これらのトラップを用いた経験を報告する。
具体的には、MLに基づく推定器の仕様とオンライントレーニング、自己適応への影響、および推定器の評価に用いるアプローチに関連するいくつかのトラップについて論じる。
これらのトラップの概要は、オンラインMLを自己適応に適用する際に、他の研究者や実践者のガイダンスとして役立てることができる。
関連論文リスト
- Unlearning with Control: Assessing Real-world Utility for Large Language Model Unlearning [97.2995389188179]
最近の研究は、勾配上昇(GA)を通した大規模言語モデル(LLM)の未学習にアプローチし始めている。
その単純さと効率性にもかかわらず、我々はGAベースの手法が過剰な未学習の傾向に直面することを示唆している。
過剰な未学習の度合いを制御できるいくつかの制御手法を提案する。
論文 参考訳（メタデータ） (2024-06-13T14:41:00Z) - 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) - A Multivocal Literature Review on the Benefits and Limitations of
Automated Machine Learning Tools [9.69672653683112]
我々は多言語文献レビューを行い、学術文献から54の資料と、AutoMLの利点と限界について報告した灰色文献から108の資料を同定した。
メリットについては、AutoMLツールがMLの中核ステップの合理化に役立つ点を強調します。
AutoMLの普及の障害となるいくつかの制限を強調します。
論文 参考訳（メタデータ） (2024-01-21T01:39:39Z) - Vulnerability of Machine Learning Approaches Applied in IoT-based Smart Grid: A Review [51.31851488650698]
機械学習(ML)は、IoT(Internet-of-Things)ベースのスマートグリッドでの使用頻度が高まっている。
電力信号に注入された逆方向の歪みは システムの正常な制御と操作に大きな影響を及ぼす
安全クリティカルパワーシステムに適用されたMLsgAPPの脆弱性評価を行うことが不可欠である。
論文 参考訳（メタデータ） (2023-08-30T03:29:26Z) - Towards Self-Adaptive Machine Learning-Enabled Systems Through QoS-Aware
Model Switching [1.2277343096128712]
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。
論文 参考訳（メタデータ） (2023-08-19T09:33:51Z) - Automatically Correcting Large Language Models: Surveying the landscape
of diverse self-correction strategies [104.32199881187607]
大規模言語モデル(LLM)は、幅広いNLPタスクで顕著な性能を示した。
これらの欠陥を正すための有望なアプローチは自己補正であり、LLM自体が自身の出力で問題を修正するために誘導される。
本稿では,この新技術について概観する。
論文 参考訳（メタデータ） (2023-08-06T18:38:52Z) - Lifelong Self-Adaptation: Self-Adaptation Meets Lifelong Machine
Learning [14.893661749381868]
我々は、生涯ML層を用いた機械学習技術を用いた自己適応システムに対する新しいアプローチとして、テキストライフロング自己適応を提案する。
生涯にわたるMLレイヤは、実行システムとその環境を追跡し、この知識を現在のタスクに関連付け、微分に基づいて新しいタスクを特定し、それに従って自己適応システムの学習モデルを更新する。
本稿では、生涯にわたる自己適応のための再利用可能なアーキテクチャを提案し、自己適応における意思決定に使用される学習モデルの入力データの予期せぬ変化によって引き起こされる概念漂流の場合に適用する。
論文 参考訳（メタデータ） (2022-04-04T20:35:55Z) - Recursive Least-Squares Estimator-Aided Online Learning for Visual
Tracking [58.14267480293575]
オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。
これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。
我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
論文 参考訳（メタデータ） (2021-12-28T06:51:18Z) - Online Target Q-learning with Reverse Experience Replay: Efficiently
finding the Optimal Policy for Linear MDPs [50.75812033462294]
我々は,Q-ラーニングの実践的成功と悲観的理論的結果とのギャップを埋める。
本稿では,新しいQ-Rex法とQ-RexDaReを提案する。
Q-Rex は線形 MDP の最適ポリシを効率的に見つけることができる。
論文 参考訳（メタデータ） (2021-10-16T01:47:41Z) - 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) - Insights into Performance Fitness and Error Metrics for Machine Learning [1.827510863075184]
機械学習(ML)は、高いレベルの認知を達成し、人間のような分析を行うための訓練機械の分野である。
本稿では、回帰アルゴリズムや分類アルゴリズムにおいて、最もよく使われている性能適合度と誤差の測定値について検討する。
論文 参考訳（メタデータ） (2020-05-17T22:59:04Z)
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。