論文の概要: Equilibrium in the Computing Continuum through Active Inference
- arxiv url: http://arxiv.org/abs/2311.16769v1
- Date: Tue, 28 Nov 2023 13:19:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-29 18:34:53.372110
- Title: Equilibrium in the Computing Continuum through Active Inference
- Title（参考訳）: アクティブ推論による連続計算における平衡
- Authors: Boris Sedlak, Victor Casamayor Pujol, Praveen Kumar Donta, Schahram
Dustdar
- Abstract要約: 我々は,それぞれのエッジデバイスがサービスレベルオブジェクト(SLO)の実施方法の因果的理解を深めることを可能にする,協調的なエッジインテリジェンスのためのフレームワークを提案する。
ビデオストリーミングにおけるQuality of Service(QoS)とQuality of Experience(QoE)の確保にコンピュータ・コンティニュアム(CC)が責任を持つユースケースを評価する。
以上の結果から, エッジデバイスは4つのSLOを確保するために10回の訓練ラウンドしか必要とせず, さらに根底にある因果構造も合理的に説明可能であることがわかった。
- 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: Computing Continuum (CC) systems are challenged to ensure the intricate
requirements of each computational tier. Given the system's scale, the Service
Level Objectives (SLOs) which are expressed as these requirements, must be
broken down into smaller parts that can be decentralized. We present our
framework for collaborative edge intelligence enabling individual edge devices
to (1) develop a causal understanding of how to enforce their SLOs, and (2)
transfer knowledge to speed up the onboarding of heterogeneous devices. Through
collaboration, they (3) increase the scope of SLO fulfillment. We implemented
the framework and evaluated a use case in which a CC system is responsible for
ensuring Quality of Service (QoS) and Quality of Experience (QoE) during video
streaming. Our results showed that edge devices required only ten training
rounds to ensure four SLOs; furthermore, the underlying causal structures were
also rationally explainable. The addition of new types of devices can be done a
posteriori, the framework allowed them to reuse existing models, even though
the device type had been unknown. Finally, rebalancing the load within a device
cluster allowed individual edge devices to recover their SLO compliance after a
network failure from 22% to 89%.
- Abstract（参考訳）: 計算継続性(CC)システムは、各計算階層の複雑な要求を保証するために課題となる。
システムの規模を考えると、これらの要件として表現されるサービスレベルオブジェクト(SLO)は、分散化可能な小さな部分に分割される必要があります。
我々は,1)SLOの実施方法の因果的理解を深め,(2)異種デバイスの搭載を高速化するための知識の伝達を可能にする,協調的エッジインテリジェンスのための枠組みを提案する。
コラボレーションを通じて、(3)SLO充足の範囲を拡大する。
このフレームワークを実装し,ビデオストリーミングにおいて,CCシステムが品質・オブ・サービス(QoS)と品質・オブ・エクスペリエンス(QoE)の確保に寄与するユースケースを評価した。
以上の結果から, エッジデバイスは4つのSLOを確保するために10回の訓練ラウンドしか必要とせず, さらに根底にある因果構造も合理的に説明可能であることがわかった。
新しいタイプのデバイスの追加は後方で行うことができ、このフレームワークは、デバイスタイプが不明であったにもかかわらず、既存のモデルの再利用を可能にした。
最後に、デバイスクラスタ内の負荷の再バランスにより、個々のエッジデバイスは、ネットワーク障害後のSLOコンプライアンスを22%から89%に回復することができた。
関連論文リスト
- FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-10-16T16:13:19Z) - Counter Denial of Service for Next-Generation Networks within the Artificial Intelligence and Post-Quantum Era [2.156208381257605]
DoS攻撃はますます洗練され、容易に実行できるようになった。
最先端の体系化の取り組みには、孤立したDoS対策のような制限がある。
量子コンピュータの出現は、攻撃と防御の観点からのDoSのゲームチェンジャーである。
論文 参考訳（メタデータ） (2024-08-08T18:47:31Z) - FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。
本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。
本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文 参考訳（メタデータ） (2024-03-26T08:51:23Z) - Towards a Dynamic Future with Adaptable Computing and Network
Convergence (ACNC) [17.1717328514007]
本稿では,コンピュータとネットワークリソースの協調オーケストレーションを目的とした自律機械学習(ML)支援機構として,適応型CNC(ACNC)の概念を提案する。
ACNCは、状態認識とコンテキスト検出の2つの主要な機能を含んでいる。
継続的学習が採用され、システムの状態を専用のMLエージェントによって制御されたコンテキストに分類することで、効率的に運用することができる。
論文 参考訳（メタデータ） (2024-03-12T12:03:16Z) - Active Inference on the Edge: A Design Study [5.815300670677979]
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。
論文 参考訳（メタデータ） (2023-11-17T16:03:04Z) - Designing Reconfigurable Intelligent Systems with Markov Blankets [5.815300670677979]
我々はマルコフ毛布(MB)に基づく因果性フィルタを導入し、各デバイスが追跡しなければならない変数の数を制限する。
また、デバイスベースで分散化されたSLOを評価し、SLOを実現するための最適なデバイス構成を推測する。
論文 参考訳（メタデータ） (2023-11-17T15:49:56Z) - 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) - Federated Learning with Unreliable Clients: Performance Analysis and
Mechanism Design [76.29738151117583]
Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。
しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。
クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
論文 参考訳（メタデータ） (2021-05-10T08:02:27Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - Service Chain Composition with Failures in NFV Systems: A Game-Theoretic
Perspective [20.179259105875474]
最先端のネットワーク機能仮想化(NFV)システムでは、異なるネットワークサービス(NS)に対して、要求レイテンシが極端に低く、ネットワークの混雑を最小限に抑えながら効率的なサービスチェーンを構成することが重要な課題である。
本研究では, 異なるNSのサービスチェーン組成を, ほぼ最適遅延と最小混雑の両方でナッシュ平衡状態(NE)へ誘導する2つの効果的な分散スキームを提案する。
論文 参考訳（メタデータ） (2020-08-01T07:58:14Z) - Generalized Zero-Shot Learning Via Over-Complete Distribution [79.5140590952889]
そこで本稿では,CVAE (Conditional Variational Autoencoder) を用いたOCD(Over-Complete Distribution) の生成を提案する。
フレームワークの有効性は,Zero-Shot LearningプロトコルとGeneralized Zero-Shot Learningプロトコルの両方を用いて評価する。
論文 参考訳（メタデータ） (2020-04-01T19:05:28Z)
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。