論文の概要: An Ensemble Scheme for Proactive Dominant Data Migration of Pervasive Tasks at the Edge

• arxiv url: http://arxiv.org/abs/2410.09621v1
• Date: Sat, 12 Oct 2024 19:09:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 13:35:29.721264
• Title: An Ensemble Scheme for Proactive Dominant Data Migration of Pervasive Tasks at the Edge
• Title（参考訳）: エッジにおける広範タスクのアクティブな支配的データマイグレーションのためのアンサンブル方式
• Authors: Georgios Boulougaris, Kostas Kolomvatsos,
• Abstract要約: 本稿では,インフラ内の特定の場所に移動すべき適切なデータの識別について,自律エッジノードで実装する手法を提案する。 我々の目標は、オフロードされたデータ駆動タスクに関連するアクセスパターンを理解できるようにノードに装備することである。 これらのタスクは、元のホスティングノードにないデータの処理に依存することは明らかである。 これらのデータ間隔を推定するために,統計的指向モデルと機械学習フレームワークを統合したアンサンブルアプローチを用いる。
• 参考スコア（独自算出の注目度）: 5.4327243200369555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nowadays, a significant focus within the research community on the intelligent management of data at the confluence of the Internet of Things (IoT) and Edge Computing (EC) is observed. In this manuscript, we propose a scheme to be implemented by autonomous edge nodes concerning their identifications of the appropriate data to be migrated to particular locations within the infrastructure, thereby facilitating the effective processing of requests. Our objective is to equip nodes with the capability to comprehend the access patterns relating to offloaded data-driven tasks and to predict which data ought to be returned to the original nodes associated with those tasks. It is evident that these tasks depend on the processing of data that is absent from the original hosting nodes, thereby underscoring the essential data assets that necessitate access. To infer these data intervals, we utilize an ensemble approach that integrates a statistically oriented model and a machine learning framework. As a result, we are able to identify the dominant data assets in addition to detecting the density of the requests. A detailed analysis of the suggested method is provided by presenting the related formulations, which is also assessed and compared with models found in the relevant literature.
• Abstract（参考訳）: 現在、研究コミュニティにおいて、IoT(Internet of Things)とエッジコンピューティング(EC)の合流点におけるデータのインテリジェントな管理に重点が置かれている。 本稿では,インフラ内の特定の場所へ移動すべき適切なデータの識別に関して,自律的なエッジノードで実装する手法を提案する。 我々の目的は、オフロードされたデータ駆動タスクに関連するアクセスパターンを理解する機能と、それらのタスクに関連する元のノードに返すべきデータを予測することにある。 これらのタスクは、元のホスティングノードから欠落しているデータの処理に依存しているため、アクセスを必要とする重要なデータ資産を過小評価することは明らかである。 これらのデータ間隔を推定するために,統計的指向モデルと機械学習フレームワークを統合したアンサンブルアプローチを用いる。 その結果、リクエストの密度を検出することに加えて、支配的なデータ資産を特定できる。 提案手法の詳細な解析は,関係する定式化を提示することで行う。

関連論文リスト

• Web-Scale Visual Entity Recognition: An LLM-Driven Data Approach [56.55633052479446]
  Webスケールのビジュアルエンティティ認識は、クリーンで大規模なトレーニングデータがないため、重大な課題を呈している。 本稿では,ラベル検証,メタデータ生成,合理性説明に多モーダル大言語モデル(LLM)を活用することによって,そのようなデータセットをキュレートする新しい手法を提案する。 実験により、この自動キュレートされたデータに基づいてトレーニングされたモデルは、Webスケールの視覚的エンティティ認識タスクで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2024-10-31T06:55:24Z)
• Putting Data at the Centre of Offline Multi-Agent Reinforcement Learning [3.623224034411137]
  オフラインマルチエージェント強化学習(英語: offline multi-agent reinforcement learning, MARL)は、静的データセットを用いてマルチエージェントシステムの最適制御ポリシーを見つける研究のエキサイティングな方向である。 この分野は定義上はデータ駆動型だが、これまでのところ、最先端の結果を達成するための努力は、データを無視してきた。 研究の大部分は、一貫した方法論を使わずに独自のデータセットを生成し、これらのデータセットの特徴に関するまばらな情報を提供する。
  論文  参考訳（メタデータ） (2024-09-18T14:13:24Z)
• 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)
• Data-SUITE: Data-centric identification of in-distribution incongruous examples [81.21462458089142]
  Data-SUITEは、ID(In-distriion)データの不連続領域を特定するためのデータ中心のフレームワークである。 我々は,Data-SUITEの性能保証とカバレッジ保証を実証的に検証する。
  論文  参考訳（メタデータ） (2022-02-17T18:58:31Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• A Proactive Management Scheme for Data Synopses at the Edge [20.711789781518753]
  Edge Computingエコシステムに多数の処理ノードがあるIoT(Internet of Things)は、インテリジェントアプリケーションをサポートするための新たな経路を開く。 このようなアプリケーションは、ネットワークを介してエッジノードに転送されるIoTデバイスによって収集された膨大な量のデータに対して提供される。 議論されたデータ上でさまざまな処理アクティビティを実行することができ、ECノード間の複数の協調的な機会は、望ましいタスクの実行を容易にします。 本稿では、類似したデータを持つピアノードについて必要な知識を提供するために、ECノード間の実際のデータよりもデータシナプスの交換を推奨する。
  論文  参考訳（メタデータ） (2021-07-22T10:22:37Z)
• Learning data association without data association: An EM approach to neural assignment prediction [12.970250708769708]
  本稿では,データアソシエーションのためのニューラルモデルをトレーニングするための予測最大化手法を提案する。 オブジェクト認識のモデルをトレーニングするためにラベル情報を必要としない。 重要なことに、提案手法を用いてトレーニングされたネットワークは、下流追跡アプリケーションで再利用することができる。
  論文  参考訳（メタデータ） (2021-05-02T01:11:09Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• Data Synopses Management based on a Deep Learning Model [14.180331276028662]
  データシナプスをECノードに配信することで、ピアに存在するデータと完全に整合したオフロード決定を行うことが可能になる、と私たちは主張する。 我々のアプローチは、計算されたシナプスの分布を学習し、将来の傾向を推定するディープラーニングモデルである。
  論文  参考訳（メタデータ） (2020-08-01T12:04:21Z)
• On the Use of Interpretable Machine Learning for the Management of Data Quality [13.075880857448059]
  我々は、解釈可能な機械学習を用いて、あらゆるデータ処理アクティビティをベースとした重要な機能を提供する。 私たちの目標は、少なくとも、収集されたデータセットで重要なものとして検出される機能に対して、データ品質を確保することです。
  論文  参考訳（メタデータ） (2020-07-29T08:49:32Z)
• Towards Inheritable Models for Open-Set Domain Adaptation [56.930641754944915]
  本稿では、将来、ソースデータセットが存在しない場合の適応を容易にするために、ソース学習モデルを用いた実用的なドメイン適応パラダイムを提案する。 本稿では,ソースデータがない場合でも,対象領域に対して最適なソースモデルの選択を可能にするために,継承可能性の定量化を目的とする手法を提案する。
  論文  参考訳（メタデータ） (2020-04-09T07:16:30Z)

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。