論文の概要: Active Inference on the Edge: A Design Study
- arxiv url: http://arxiv.org/abs/2311.10607v1
- Date: Fri, 17 Nov 2023 16:03:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-20 14:07:29.176877
- Title: Active Inference on the Edge: A Design Study
- Title（参考訳）: エッジ上でのアクティブ推論:デザイン研究
- Authors: Boris Sedlak, Victor Casamayor Pujol, Praveen Kumar Donta, Schahram
Dustdar
- Abstract要約: アクティブ推論(アクティブ推論、英: Active Inference、ACI)とは、脳が知覚情報を常に予測し評価し、長期的サプライズを減らす方法を記述する神経科学の概念である。
我々は,ACIエージェントが要求を満たすことなく,最適化問題を迅速かつ追跡的に解決できたことを示す。
- 参考スコア（独自算出の注目度）: 5.815300670677979
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Machine Learning (ML) is a common tool to interpret and predict the behavior
of distributed computing systems, e.g., to optimize the task distribution
between devices. As more and more data is created by Internet of Things (IoT)
devices, data processing and ML training are carried out by edge devices in
close proximity. To ensure Quality of Service (QoS) throughout these
operations, systems are supervised and dynamically adapted with the help of ML.
However, as long as ML models are not retrained, they fail to capture gradual
shifts in the variable distribution, leading to an inaccurate view of the
system state. Moreover, as the prediction accuracy decreases, the reporting
device should actively resolve uncertainties to improve the model's precision.
Such a level of self-determination could be provided by Active Inference (ACI)
-- a concept from neuroscience that describes how the brain constantly predicts
and evaluates sensory information to decrease long-term surprise. We
encompassed these concepts in a single action-perception cycle, which we
implemented for distributed agents in a smart manufacturing use case. As a
result, we showed how our ACI agent was able to quickly and traceably solve an
optimization problem while fulfilling QoS requirements.
- Abstract（参考訳）: 機械学習(ML)は、デバイス間のタスク分散を最適化するために、分散コンピューティングシステムの振る舞いを解釈し、予測する一般的なツールである。
モノのインターネット(IoT)デバイスによってますます多くのデータが作成され、エッジデバイスが近接してデータ処理とMLトレーニングが行われるようになる。
これらのオペレーションを通してQuality of Service(QoS)を確実にするために、システムはMLの助けを借りて監督され、動的に適応される。
しかし、MLモデルの再トレーニングがなければ、変数分布の段階的なシフトを捉えることができず、システムの状態が不正確なものになる。
さらに、予測精度が低下するにつれて、報告装置は不確実性を積極的に解決し、モデルの精度を向上させる。
このような自己決定レベルは、脳が感覚情報を常に予測し評価し、長期的サプライズを減少させるという神経科学の考え方であるactive inference(aci)によって提供することができる。
我々は、これらの概念を単一のアクション認識サイクルに包含し、スマート製造ユースケースにおける分散エージェントのために実装した。
その結果,我々のACIエージェントがQoS要求を満たすことなく,最適化問題を迅速かつ追跡的に解決できることを示した。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Adaptive Stream Processing on Edge Devices through Active Inference [5.5676731834895765]
アクティブ推論(AIF)に基づく新しい機械学習パラダイムを提案する。
AIFは、脳が長期的サプライズを減らすために感覚情報を常に予測し、評価する方法を記述している。
本手法は意思決定の完全透明性を保証し,結果の解釈とトラブルシューティングを無力化する。
論文 参考訳（メタデータ） (2024-09-26T15:12:41Z) - Mind the Interference: Retaining Pre-trained Knowledge in Parameter Efficient Continual Learning of Vision-Language Models [79.28821338925947]
ドメインクラスのインクリメンタル学習は現実的だが、継続的な学習シナリオである。
これらの多様なタスクに対処するために、事前訓練されたビジョンランゲージモデル(VLM)を導入し、その強力な一般化性を実現する。
事前訓練されたVLMにエンコードされた知識は、新しいタスクに適応する際に妨げられ、固有のゼロショット能力を損なう。
既存の手法では、膨大なオーバーヘッドを必要とする余分なデータセットに知識蒸留でVLMをチューニングすることで、この問題に対処している。
我々は、事前学習した知識を保持できるDIKI(Distributed-Aware Interference-free Knowledge Integration)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-07T12:19:37Z) - Comprehensive Study Of Predictive Maintenance In Industries Using Classification Models And LSTM Model [0.0]
この研究は、SVM(Support Vector Machine)、ランダムフォレスト(Random Forest)、ロジスティック回帰(Logistic Regression)、畳み込みニューラルネットワークLSTMベース(Convolutional Neural Network LSTM-based)など、さまざまな機械学習分類手法を掘り下げて、マシンのパフォーマンスを予測し分析することを目的としている。
本研究の主な目的は、精度、精度、リコール、F1スコアなどの要因を考慮して、これらのアルゴリズムの性能を評価し、機械性能を予測・解析することである。
論文 参考訳（メタデータ） (2024-03-15T12:47:45Z) - Task-Aware Machine Unlearning and Its Application in Load Forecasting [4.00606516946677]
本稿では、すでに訓練済みの予測器に対するデータセットの一部の影響を除去するために特別に設計された機械学習の概念を紹介する。
局所モデルパラメータ変化の感度を影響関数とサンプル再重み付けを用いて評価することにより,性能認識アルゴリズムを提案する。
リアルな負荷データセットを用いて,線形,CNN,Mixerベースの負荷予測器上で,未学習アルゴリズムを検証した。
論文 参考訳（メタデータ） (2023-08-28T08:50:12Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - Multi-Agent Reinforcement Learning for Long-Term Network Resource
Allocation through Auction: a V2X Application [7.326507804995567]
我々は,自律エージェント間の分散意思決定として,移動エージェントの動的グループ(自動車など)からの計算タスクのオフロードを定式化する。
我々は、競争と協力のバランスをとることで、そのようなエージェントにプライベートとシステム目標の整合を動機付けるインタラクションメカニズムを設計する。
本稿では,部分的,遅延,ノイズの多い状態情報を用いて学習する,新しいマルチエージェントオンライン学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-07-29T10:29:06Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳（メタデータ） (2022-07-03T06:57:07Z) - Interpretable AI-based Large-scale 3D Pathloss Prediction Model for
enabling Emerging Self-Driving Networks [3.710841042000923]
本稿では,新しい鍵予測器を応用した機械学習モデルを提案する。
予測,一般化,計算性能の観点から各種MLアルゴリズムの性能を定量的に評価することにより,光グラディエントブースティングマシン(LightGBM)アルゴリズムが全体として他のアルゴリズムより優れていることを示す。
論文 参考訳（メタデータ） (2022-01-30T19:50:16Z) - 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) - Fast-Convergent Federated Learning [82.32029953209542]
フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。
本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-26T14:37:51Z)
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。