論文の概要: Why does Prediction Accuracy Decrease over Time? Uncertain Positive Learning for Cloud Failure Prediction

• arxiv url: http://arxiv.org/abs/2402.00034v1
• Date: Mon, 8 Jan 2024 03:13:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-04 05:24:47.879239
• Title: Why does Prediction Accuracy Decrease over Time? Uncertain Positive Learning for Cloud Failure Prediction
• Title（参考訳）: なぜ予測精度が時間とともに低下するのか? クラウド障害予測のための不確実性正の学習
• Authors: Haozhe Li, Minghua Ma, Yudong Liu, Pu Zhao, Lingling Zheng, Ze Li, Yingnong Dang, Murali Chintalapati, Saravan Rajmohan, Qingwei Lin, Dongmei Zhang
• Abstract要約: また,モデルの再訓練後,予測精度が約9%低下する可能性が示唆された。 緩和動作は、予測モデルを更新しながらより多くのノイズを発生させる可能性がある緩和後に検証できないため、不確実な正の事例をもたらす可能性がある。 この問題に対処するために、我々は不確実な正の学習リスク推定器(Uptake)アプローチを設計する。
• 参考スコア（独自算出の注目度）: 35.058991707881646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rapid growth of cloud computing, a variety of software services have been deployed in the cloud. To ensure the reliability of cloud services, prior studies focus on failure instance (disk, node, and switch, etc.) prediction. Once the output of prediction is positive, mitigation actions are taken to rapidly resolve the underlying failure. According to our real-world practice in Microsoft Azure, we find that the prediction accuracy may decrease by about 9% after retraining the models. Considering that the mitigation actions may result in uncertain positive instances since they cannot be verified after mitigation, which may introduce more noise while updating the prediction model. To the best of our knowledge, we are the first to identify this Uncertain Positive Learning (UPLearning) issue in the real-world cloud failure prediction scenario. To tackle this problem, we design an Uncertain Positive Learning Risk Estimator (Uptake) approach. Using two real-world datasets of disk failure prediction and conducting node prediction experiments in Microsoft Azure, which is a top-tier cloud provider that serves millions of users, we demonstrate Uptake can significantly improve the failure prediction accuracy by 5% on average.
• Abstract（参考訳）: クラウドコンピューティングの急速な成長に伴い、さまざまなソフトウェアサービスがクラウドにデプロイされている。 クラウドサービスの信頼性を確保するために、事前研究は障害インスタンス(disk、node、switchなど)の予測に焦点を当てている。 予測の出力が正の値になると、その基礎となる失敗を迅速に解決する緩和作用が取られる。 Microsoft Azureでの現実の実践によると、モデルの再トレーニング後に予測精度が約9%低下する可能性がある。 緩和動作は、予測モデルを更新しながらより多くのノイズを発生させる可能性がある緩和後に検証できないため、不確実な正の事例をもたらす可能性がある。 私たちの知る限りでは、現実のクラウド障害予測シナリオにおいて、この不確実なポジティブラーニング(UPLearning)問題を最初に特定しました。 この問題に取り組むため,我々は不確定なポジティブラーニングリスク推定器(uptake)アプローチを設計した。 数百万ユーザを対象としたトップレベルのクラウドプロバイダであるmicrosoft azureでは,ディスク障害予測とノード予測の2つの実世界データセットを使用して,障害予測の精度を平均5%向上できることを実証した。

関連論文リスト

• Next Best View For Point-Cloud Model Acquisition: Bayesian Approximation and Uncertainty Analysis [2.07180164747172]
  この研究は、Next-Best-View(PC-NBV)にポイントネットベースのニューラルネットワークを適用する。 モデルアーキテクチャにドロップアウト層を組み込むことで、予測に関連する不確実性推定の計算を可能にする。 本研究の目的は,次の視点を正確に予測することで,ネットワークの精度を向上させることである。
  論文  参考訳（メタデータ） (2024-11-04T01:32:09Z)
• Building Defect Prediction Models by Online Learning Considering Defect Overlooking [1.5869998695491834]
  オンライン学習に基づく欠陥予測モデルの構築は、予測精度を向上させることができる。 非欠陥(non-defective)"と予測されるモジュールは、そのようなモジュールのテストケースが少なくなる可能性がある。 誤テスト結果は、オンライン学習による学習データとして使用され、予測精度に悪影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2024-04-17T03:20:46Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Software Defect Prediction by Online Learning Considering Defect Overlooking [1.655352281097533]
  オンライン学習に基づく欠陥予測モデルの構築は、予測精度を向上させることができる。 新しいデータポイントを追加する際に、新しい予測モデルを継続的に再構築する。 しかし、モジュールを"非欠陥"(負の予測)として予測すると、そのようなモジュールのテストケースが少なくなる。
  論文  参考訳（メタデータ） (2023-08-25T15:02:22Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• Uncertainty-Aware Time-to-Event Prediction using Deep Kernel Accelerated Failure Time Models [11.171712535005357]
  本稿では,時間-時間予測タスクのためのDeep Kernel Accelerated Failure Timeモデルを提案する。 我々のモデルは、2つの実世界のデータセットの実験において、繰り返しニューラルネットワークに基づくベースラインよりも良い点推定性能を示す。
  論文  参考訳（メタデータ） (2021-07-26T14:55:02Z)
• Learning Uncertainty with Artificial Neural Networks for Improved Remaining Time Prediction of Business Processes [0.15229257192293202]
  本論文では,これらの手法を予測過程のモニタリングに応用する。 より正確な予測と迅速な作業に貢献できることが分かりました。 これは多くの興味深い応用をもたらし、より小さなデータセットを持つ予測システムを早期に導入し、人間とのより良い協力を促進する。
  論文  参考訳（メタデータ） (2021-05-12T10:18:57Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。