論文の概要: Automated Configuration Synthesis for Machine Learning Models: A git-Based Requirement and Architecture Management System

• arxiv url: http://arxiv.org/abs/2404.17244v1
• Date: Fri, 26 Apr 2024 08:35:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-29 13:44:15.328679
• Title: Automated Configuration Synthesis for Machine Learning Models: A git-Based Requirement and Architecture Management System
• Title（参考訳）: 機械学習モデルのための自動構成合成:gitベースの要件とアーキテクチャ管理システム
• Authors: Abdullatif AlShriaf, Hans-Martin Heyn, Eric Knauss,
• Abstract要約: この作業では、ソフトウェアコードとともにgitリポジトリ(T-Reqs)にアーティファクトとして格納されたテキスト要求からランタイム設定を自動的に生成するツールを導入している。 このツールは、T-Reqsでモデル化されたアーキテクチャ記述を利用して、人工知能(AI)対応ソフトウェアシステムのデプロイに必要な構成特性を特定する。
• 参考スコア（独自算出の注目度）: 5.095988654970361
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work introduces a tool for generating runtime configurations automatically from textual requirements stored as artifacts in git repositories (a.k.a. T-Reqs) alongside the software code. The tool leverages T-Reqs-modelled architectural description to identify relevant configuration properties for the deployment of artificial intelligence (AI)-enabled software systems. This enables traceable configuration generation, taking into account both functional and non-functional requirements. The resulting configuration specification also includes the dynamic properties that need to be adjusted and the rationale behind their adjustment. We show that this intermediary format can be directly used by the system or adapted for specific targets, for example in order to achieve runtime optimisations in term of ML model size before deployment.
• Abstract（参考訳）: この作業では、ソフトウェアコードとともにgitリポジトリ(T-Reqs)にアーティファクトとして格納されたテキスト要求からランタイム設定を自動的に生成するツールを導入している。 このツールは、T-Reqsでモデル化されたアーキテクチャ記述を利用して、人工知能(AI)対応ソフトウェアシステムのデプロイに必要な構成特性を特定する。 これにより、機能要件と非機能要件の両方を考慮したトレーサブルな構成生成が可能になる。 結果として生じる構成仕様には、調整が必要な動的な特性や、調整の背景にある根拠も含まれている。 この中間フォーマットは,例えば,デプロイメント前のMLモデルサイズの観点から,実行時の最適化を実現するために,システムによって直接使用したり,特定のターゲットに適応したりすることができることを示す。

関連論文リスト

• Adaptable Embeddings Network (AEN) [49.1574468325115]
  我々はカーネル密度推定(KDE)を用いた新しいデュアルエンコーダアーキテクチャであるAdaptable Embeddings Networks (AEN)を紹介する。 AENは、再トレーニングせずに分類基準のランタイム適応を可能にし、非自己回帰的である。 アーキテクチャのプリプロセスとキャッシュ条件の埋め込み能力は、エッジコンピューティングアプリケーションやリアルタイム監視システムに最適である。
  論文  参考訳（メタデータ） (2024-11-21T02:15:52Z)
• Control Industrial Automation System with Large Language Models [2.2369578015657954]
  本稿では,大規模言語モデルと産業自動化システムを統合するためのフレームワークを提案する。 フレームワークの中核には、産業タスク用に設計されたエージェントシステム、構造化プロンプト方法、イベント駆動情報モデリング機構がある。 コントリビューションには、フォーマルなシステム設計、概念実証実装、タスク固有のデータセットを生成する方法が含まれる。
  論文  参考訳（メタデータ） (2024-09-26T16:19:37Z)
• Towards Living Software Architecture Diagrams [0.0]
  本稿では,ソフトウェアアーチファクトを解析し,それらを包括的システム表現に統一することにより,ソフトウェアシステムのアーキテクチャ図を生成するツールを提案する。 この表現は、更新時にダイアグラムに再統合されることを保証しながら、手動で修正することができる。
  論文  参考訳（メタデータ） (2024-07-25T12:31:52Z)
• Towards Single-System Illusion in Software-Defined Vehicles -- Automated, AI-Powered Workflow [3.2821049498759094]
  本稿では,車載ソフトウェアシステムの開発における,新しいモデルと特徴に基づくアプローチを提案する。 提案されたアプローチの重要なポイントの1つは、近代的な生成AI、特にLarge Language Models(LLM)の導入である。 その結果、パイプラインは広範囲に自動化され、各ステップでフィードバックが生成される。
  論文  参考訳（メタデータ） (2024-03-21T15:07:57Z)
• Exploiting Contextual Target Attributes for Target Sentiment Classification [53.30511968323911]
  TSCの既存のPTLMベースモデルは、1)PTLMをコンテキストエンコーダとして採用した微調整ベースモデル、2)テキスト/単語生成タスクに分類タスクを転送するプロンプトベースモデル、の2つのグループに分類される。 我々は,PTLM を TSC に活用する新たな視点として,言語モデリングと文脈的ターゲット属性による明示的ターゲットコンテキスト相互作用の利点を同時に活用する。
  論文  参考訳（メタデータ） (2023-12-21T11:45:28Z)
• Ensemble-based modeling abstractions for modern self-optimizing systems [0.0]
  アンサンブルに基づくコンポーネントモデルDEECoを拡張して,コンポーネントアンサンブルの確立と再構成に機械学習と産業最適化を活用する。 機械学習と最適化は、時間とともに学習し、実行時に動作を最適化し、環境の不確実性に対処する、現代のスマートシステムにとって重要な機能である、と私たちは主張する。
  論文  参考訳（メタデータ） (2023-09-11T21:01:11Z)
• PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
  我々は PDSketch という新しいドメイン定義言語を提案する。 これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。 移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
  論文  参考訳（メタデータ） (2023-03-09T18:54:12Z)
• Policy Architectures for Compositional Generalization in Control [71.61675703776628]
  本稿では,タスクにおけるエンティティベースの構成構造をモデル化するためのフレームワークを提案する。 私たちのポリシーは柔軟で、アクションプリミティブを必要とせずにエンドツーエンドでトレーニングできます。
  論文  参考訳（メタデータ） (2022-03-10T06:44:24Z)
• Federated Learning with Heterogeneous Architectures using Graph HyperNetworks [154.60662664160333]
  パラメータ共有にグラフハイパーネットワークを採用することにより、異種クライアントアーキテクチャに対応する新しいFLフレームワークを提案する。 既存のソリューションとは異なり、当社のフレームワークは、クライアントが同じアーキテクチャタイプを共有することを制限せず、外部データも使用せず、クライアントがモデルアーキテクチャを公開する必要もありません。
  論文  参考訳（メタデータ） (2022-01-20T21:36:25Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Amazon SageMaker Automatic Model Tuning: Scalable Black-box Optimization [23.52446054521187]
  Amazon SageMaker Automatic Model Tuning(AMT)は、大規模なブラックボックス最適化のためのフルマネージドシステムです。 AMTは、異なるハイパーパラメータ構成で繰り返しトレーニングすることで、機械学習モデルの最良のバージョンを見つける。 組み込みアルゴリズム、カスタムアルゴリズム、マシンラーニングフレームワーク用に構築されたAmazon SageMakerコンテナで使用することができる。
  論文  参考訳（メタデータ） (2020-12-15T18:34:34Z)

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。