Fugu-MT 論文翻訳(概要): COSTREAM: Learned Cost Models for Operator Placement in Edge-Cloud Environments

論文の概要: COSTREAM: Learned Cost Models for Operator Placement in Edge-Cloud Environments

arxiv url: http://arxiv.org/abs/2403.08444v1
Date: Wed, 13 Mar 2024 11:56:10 GMT
ステータス: 処理完了
システム内更新日: 2024-03-14 14:43:40.888027
Title: COSTREAM: Learned Cost Models for Operator Placement in Edge-Cloud Environments
Title（参考訳）: CoSTREAM:エッジクラウドにおけるオペレータ配置の学習コストモデル環境
Authors: Roman Heinrich, Carsten Binnig, Harald Kornmayer, Manisha Luthra
Abstract要約: COSTREAMは、分散ストリーム処理システムの学習コストモデルである。これは不均一なハードウェアにまたがる演算子の初期配置を見つけるのに使うことができる。初期演算子配置の高精度なコスト見積と、見当たらない配置、クエリ、ハードウェアへの一般化が可能である。
参考スコア（独自算出の注目度）: 10.679455324363126
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we present COSTREAM, a novel learned cost model for Distributed Stream Processing Systems that provides accurate predictions of the execution costs of a streaming query in an edge-cloud environment. The cost model can be used to find an initial placement of operators across heterogeneous hardware, which is particularly important in these environments. In our evaluation, we demonstrate that COSTREAM can produce highly accurate cost estimates for the initial operator placement and even generalize to unseen placements, queries, and hardware. When using COSTREAM to optimize the placements of streaming operators, a median speed-up of around 21x can be achieved compared to baselines.
Abstract（参考訳）: 本研究では,エッジクラウド環境におけるストリーミングクエリの実行コストの正確な予測を行う分散ストリーム処理システムのための新しい学習コストモデルであるCOSTREAMを提案する。コストモデルは、不均一なハードウェアにまたがる演算子の初期配置を見つけるために用いられるが、これはこれらの環境において特に重要である。評価において、COSTREAMは、初期演算子配置の高精度なコスト推定を行い、未知の配置、クエリ、ハードウェアにまで一般化できることを示した。ストリーミング演算子の配置を最適化するためにCOSTREAMを使用する場合、ベースラインと比較して中央値の21倍のスピードアップを達成することができる。

関連論文リスト

OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
How Much Data are Enough? Investigating Dataset Requirements for Patch-Based Brain MRI Segmentation Tasks [74.21484375019334]
ディープニューラルネットワークを確実にトレーニングするには、大規模なデータセットへのアクセスが必要である。モデル開発に関連する時間的・経済的コストを緩和するためには,満足度の高いモデルをトレーニングするために必要なデータの量を明確に理解することが重要である。本稿では,パッチベースのセグメンテーションネットワークのトレーニングに必要なアノテートデータの量を推定するための戦略的枠組みを提案する。
論文参考訳（メタデータ） (2024-04-04T13:55:06Z)
A Meta-Learning Based Precoder Optimization Framework for Rate-Splitting Multiple Access [53.191806757701215]
本稿では,トランスミッタ(CSIT)における部分チャネル状態情報を持つRSMAプリコーダを直接最適化するために,メタラーニングに基づく事前コーダ最適化フレームワークを提案する。コンパクトニューラルネットワークのオーバーフィッティングを利用して、ASR(Average Sum-Rate)表現を最大化することにより、実行時間を最小化しながら、他のトレーニングデータの必要性を効果的に回避する。数値的な結果から,メタラーニングに基づく解は,中規模シナリオにおける従来のプリコーダ最適化に類似したASR性能を実現し,大規模シナリオにおける準最適低複雑性プリコーダアルゴリズムよりも大幅に優れていた。
論文参考訳（メタデータ） (2023-07-17T20:31:41Z)
On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。本稿では,密集市街地における局所化問題について検討する。まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
論文参考訳（メタデータ） (2022-11-28T00:31:02Z)
Perona: Robust Infrastructure Fingerprinting for Resource-Efficient Big Data Analytics [0.06524460254566904]
ビッグデータ分析で使用するために,堅牢なインフラストラクチャフィンガープリントのための新しいアプローチであるPeronaを紹介します。 Peronaは、ベンチマークツールの共通セットと設定をターゲットリソースに採用しているため、ベンチマークメトリクスは直接比較され、ランキングが有効になる。われわれのアプローチは、我々の実験から収集したデータと、リソース構成最適化に関する関連する作業の両方に基づいて評価する。
論文参考訳（メタデータ） (2022-11-15T15:48:09Z)
KAIROS: Building Cost-Efficient Machine Learning Inference Systems with Heterogeneous Cloud Resources [10.462798429064277]
KAIROSは、目標達成時のクエリスループットとコスト予算を最大化する、新しいランタイムフレームワークである。産業レベルのディープラーニング(DL)モデルを用いて評価した結果,KAIROSは最適均一解のスループットを最大2倍に向上することがわかった。
論文参考訳（メタデータ） (2022-10-12T03:06:51Z)
Optimizing Data Collection for Machine Learning [87.37252958806856]
現代のディープラーニングシステムは、素晴らしいパフォーマンスを達成するために巨大なデータセットを必要とします。過度に収集したデータは不要な現在のコストを発生させる一方、過度に収集したデータは将来のコストと遅延を引き起こす可能性がある。本稿では,データ収集を形式的最適データ収集問題としてモデル化するための新しいパラダイムを提案する。
論文参考訳（メタデータ） (2022-10-03T21:19:05Z)
Towards Optimal VPU Compiler Cost Modeling by using Neural Networks to Infer Hardware Performances [58.720142291102135]
VPUNN"は低レベルのタスクプロファイリングに基づいてトレーニングされたニューラルネットワークベースのコストモデルである。これは、IntelのVPUプロセッサのラインにおける最先端のコストモデリングよりも一貫して優れている。
論文参考訳（メタデータ） (2022-05-09T22:48:39Z)
Self-focusing virtual screening with active design space pruning [2.853824009425466]
設計空間プルーニング(DSP)と呼ばれる手法を用いて,推論コストを軽減するモデル誘導最適化フレームワークの拡張を提案する。 DSPの様々な最適化タスクへの適用について検討し、ベースライン最適化に類似した性能を示しながら、オーバーヘッドコストの大幅な削減を観察する。
論文参考訳（メタデータ） (2022-05-03T19:47:30Z)
Optimal Resource Allocation for Serverless Queries [8.59568779761598]
以前の作業では、リソース割り当てと実行時の積極的なトレードオフを無視しながら、ピークアロケーションの予測に重点を置いていた。本稿では,新しいクエリと過去のクエリの両方に対して,アグレッシブなトレードオフでパフォーマンスを予測できる最適なリソース割り当てシステムを提案する。
論文参考訳（メタデータ） (2021-07-19T02:55:48Z)
Deep Semantic Segmentation at the Edge for Autonomous Navigation in Vineyard Rows [0.0]
精密農業は、農業プロセスに安価で効果的な自動化を導入することを目的としている。提案する制御は,機械認識技術とエッジAI技術の最新技術を活用して,ブドウ畑の列内における高精度で信頼性の高いナビゲーションを実現する。制御アルゴリズム自体によって生成されたセグメンテーションマップは、作物の状態の植物性評価のためのフィルタとして直接利用することができる。
論文参考訳（メタデータ） (2021-07-01T18:51:58Z)

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。