論文の概要: SWITCH: An Exemplar for Evaluating Self-Adaptive ML-Enabled Systems
- arxiv url: http://arxiv.org/abs/2402.06351v1
- Date: Fri, 9 Feb 2024 11:56:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-12 17:06:24.202428
- Title: SWITCH: An Exemplar for Evaluating Self-Adaptive ML-Enabled Systems
- Title（参考訳）: SWITCH: 自己適応型ML-Enabledシステムの評価
- Authors: Arya Marda, Shubham Kulkarni, Karthik Vaidhyanathan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.2277343096128712
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Addressing runtime uncertainties in Machine Learning-Enabled Systems (MLS) is
crucial for maintaining Quality of Service (QoS). The Machine Learning Model
Balancer is a concept that addresses these uncertainties by facilitating
dynamic ML model switching, showing promise in improving QoS in MLS. Leveraging
this concept, this paper introduces SWITCH, an exemplar developed to enhance
self-adaptive capabilities in such systems through dynamic model switching in
runtime. SWITCH is designed as a comprehensive web service catering to a broad
range of ML scenarios, with its implementation demonstrated through an object
detection use case. SWITCH provides researchers with a flexible platform to
apply and evaluate their ML model switching strategies, aiming to enhance QoS
in MLS. SWITCH features advanced input handling, real-time data processing, and
logging for adaptation metrics supplemented with an interactive real-time
dashboard for enhancing system observability. This paper details SWITCH's
architecture, self-adaptation strategies through ML model switching, and its
empirical validation through a case study, illustrating its potential to
improve QoS in MLS. By enabling a hands-on approach to explore adaptive
behaviors in ML systems, SWITCH contributes a valuable tool to the SEAMS
community for research into self-adaptive mechanisms for MLS and their
practical applications.
- Abstract（参考訳）: 機械学習可能システム(MLS)における実行時の不確実性に対処することは、Quality of Service(QoS)を維持するために不可欠である。
機械学習モデルバランサ(machine learning model balancer)は、動的mlモデルのスイッチングを促進することによって、これらの不確実性に対処する概念である。
この概念を応用したSWITCHは,実行時の動的モデルスイッチングを通じて,そのようなシステムの自己適応能力を高めるために開発された例である。
SWITCHは、幅広いMLシナリオに対応する包括的なWebサービスとして設計されており、その実装はオブジェクト検出ユースケースを通じて実証されている。
SWITCHは、MLモデルの切り替え戦略を適用して評価するための柔軟なプラットフォームを提供する。
SWITCHは高度な入力処理、リアルタイムデータ処理、システムオブザーバビリティを高めるためのインタラクティブなリアルタイムダッシュボードを備えた適応メトリクスのロギング機能を備えている。
本稿では、SWITCHのアーキテクチャ、MLモデルスイッチングによる自己適応戦略、ケーススタディによる実証検証について詳述し、MLSにおけるQoS改善の可能性について述べる。
SWITCHは、MLシステムにおける適応行動を探るためのハンズオンアプローチを可能にすることで、SEAMSコミュニティにMLSの自己適応メカニズムとその実践的応用に関する研究に有用なツールを提供する。
関連論文リスト
- Position: A Call to Action for a Human-Centered AutoML Paradigm [83.78883610871867]
自動機械学習(AutoML)は、機械学習(ML)を自動かつ効率的に構成する基本的目的を中心に形成された。
AutoMLの完全な可能性を解き放つ鍵は、現在探索されていないAutoMLシステムとのユーザインタラクションの側面に対処することにある、と私たちは主張する。
論文 参考訳（メタデータ） (2024-06-05T15:05:24Z) - Reimagining Self-Adaptation in the Age of Large Language Models [0.9999629695552195]
本稿では、ジェネレーティブAI(GenAI)を用いて、アーキテクチャ適応の有効性と効率を高めるためのビジョンを提案する。
そこで我々は,Large Language Models (LLMs) が文脈依存適応戦略を自律的に生成できることを提案する。
我々の研究結果は、GenAIがソフトウェアシステムの動的適応性とレジリエンスを改善する大きな可能性を持っていることを示唆している。
論文 参考訳（メタデータ） (2024-04-15T15:30:12Z) - A Cyber Manufacturing IoT System for Adaptive Machine Learning Model Deployment by Interactive Causality Enabled Self-Labeling [0.0]
本稿では、エンドツーエンドのデータストリーミングパイプライン、MLサービス統合、自動自己ラベルサービスで構成されるAdaptIoTシステムを提案する。
このセルフラベルサービスは、因果的知識ベースと自動化されたフルサイクルのセルフラベルで構成され、複数のMLモデルを同時に適応させる。
自己ラベル適応型MLアプリケーションの実演はメーカースペースを用いて行われ、信頼性の高い性能を示す。
論文 参考訳（メタデータ） (2024-04-09T03:10:45Z) - 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) - 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) - Benchmarking Automated Machine Learning Methods for Price Forecasting
Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。
CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。
本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文 参考訳（メタデータ） (2023-04-28T10:27:38Z) - 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) - 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) - 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) - MLModelScope: A Distributed Platform for Model Evaluation and
Benchmarking at Scale [32.62513495487506]
機械学習(ML)とディープラーニング(DL)のイノベーションは急速に導入され、研究者はそれらを分析して研究することが難しくなっている。
ML/DL評価の標準化と提供方法の欠如とともに、イノベーションを評価するための複雑な手続きは、コミュニティにとって大きな「痛点」である。
本稿では,MLModelScopeを提案する。MLModelScopeは,フレームワークやハードウェアに依存しない,カスタマイズ可能な設計で,反復可能で公平でスケーラブルなモデル評価とベンチマークを可能にする。
論文 参考訳（メタデータ） (2020-02-19T17:13:01Z)
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。