論文の概要: Effective ML Model Versioning in Edge Networks

• arxiv url: http://arxiv.org/abs/2411.01078v1
• Date: Fri, 01 Nov 2024 23:19:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:46:45.560464
• Title: Effective ML Model Versioning in Edge Networks
• Title（参考訳）: エッジネットワークにおける効果的なMLモデルバージョニング
• Authors: Fin Gentzen, Mounir Bensalem, Admela Jukan,
• Abstract要約: 機械学習(ML)モデル、データ、ソフトウェアは、必須のバージョンのアップデートがリリースされ、統合可能であれば、定期的に更新する必要がある。 これは、さまざまなシステムの制約と、アップデートが堅牢性と安定性にもたらす大きな影響のため、エッジで満たすための基本的だが最も難しい要件である。 本稿では、強化学習(RL)に基づくアルゴリズムによる自動化を含む効果的な解を提案する。
• 参考スコア（独自算出の注目度）: 2.867517731896504
• License:
• Abstract: Machine learning (ML) models, data and software need to be regularly updated whenever essential version updates are released and feasible for integration. This is a basic but most challenging requirement to satisfy in the edge, due to the various system constraints and the major impact that an update can have on robustness and stability. In this paper, we formulate for the first time the ML model versioning optimization problem, and propose effective solutions, including the automation with reinforcement learning (RL) based algorithm. Without loss of generality, we choose the edge network environment due to the known constraints in performance, response time, security, and reliability. The performance study shows that ML model version updates can be fully and effectively automated with reinforcement learning method as compared to other approaches. We show that with a carefully chosen range of traffic load values, the proper versioning can improve the security, reliability and ML model accuracy, while assuring a comparably lower response time.
• Abstract（参考訳）: 機械学習(ML)モデル、データ、ソフトウェアは、必須のバージョンのアップデートがリリースされ、統合可能であれば、定期的に更新する必要がある。 これは、さまざまなシステムの制約と、アップデートが堅牢性と安定性にもたらす大きな影響のため、エッジで満たすための基本的だが最も難しい要件である。 本稿では,MLモデルバージョニング最適化問題が初めて定式化され,強化学習(RL)に基づくアルゴリズムの自動化を含む効果的な解が提案される。 一般性を失うことなく、パフォーマンス、応答時間、セキュリティ、信頼性に関する既知の制約のため、エッジネットワーク環境を選択します。 パフォーマンススタディでは、MLモデルのバージョン更新は他のアプローチと比較して強化学習法で完全に効果的に自動化できることが示されている。 交通負荷値を慎重に選択することで、適切なバージョニングによりセキュリティ、信頼性、MLモデルの精度が向上し、応答時間も比較的低いことを示します。

関連論文リスト

• Efficient Few-Shot Continual Learning in Vision-Language Models [26.88977803220915]
  視覚言語モデル(VLM)は、視覚的質問応答や画像キャプションといったタスクに優れる。 VLMは、CLIPのような事前訓練されたイメージエンコーダの使用によって制限されることが多く、全体的なパフォーマンスを阻害する画像理解エラーを引き起こす。 本稿では,VLM内の画像エンコーダを選択的に更新する,堅牢で効率的なアルゴリズムであるLoRSUを提案する。
  論文  参考訳（メタデータ） (2025-02-06T14:20:55Z)
• Online-BLS: An Accurate and Efficient Online Broad Learning System for Data Stream Classification [52.251569042852815]
  オンライン更新毎にクローズドフォームソリューションを備えたオンライン広範学習システムフレームワークを導入する。 我々は,効果的な重み推定アルゴリズムと効率的なオンライン更新戦略を設計する。 我々のフレームワークは、コンセプトドリフトを伴うデータストリームシナリオに自然に拡張され、最先端のベースラインを超えます。
  論文  参考訳（メタデータ） (2025-01-28T13:21:59Z)
• Self-Improvement in Language Models: The Sharpening Mechanism [70.9248553790022]
  我々は、レンズを通して自己改善の能力について、新たな視点を提供する。 言語モデルは、正しい応答を生成する場合よりも、応答品質の検証が優れているという観察に感銘を受けて、後学習において、モデル自体を検証対象として、自己改善を形式化する。 SFTとRLHFに基づく自己改善アルゴリズムの2つの自然ファミリーを解析する。
  論文  参考訳（メタデータ） (2024-12-02T20:24:17Z)
• MUSCLE: A Model Update Strategy for Compatible LLM Evolution [29.032461144831053]
  大きな言語モデル(LLM)は定期的に更新され、パフォーマンスが向上する。 あるモデルバージョンから別のモデルバージョンへのパフォーマンスのインスタンスレベルの低下(インスタンス回帰)は、特定の言語モデルの能力に関するユーザのメンタルモデルに干渉する可能性がある。 モデル更新におけるインスタンス回帰の程度を最小化するためのトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-07-12T17:12:48Z)
• Robustness-Congruent Adversarial Training for Secure Machine Learning Model Updates [13.911586916369108]
  機械学習モデルにおける誤分類は、敵の例に対して堅牢性に影響を及ぼす可能性があることを示す。 この問題に対処するために,ロバストネス・コングロレント・逆行訓練という手法を提案する。 我々のアルゴリズムと、より一般的には、非回帰的制約で学習することは、一貫した推定器を訓練するための理論的に基底的なフレームワークを提供することを示す。
  論文  参考訳（メタデータ） (2024-02-27T10:37:13Z)
• Automating Dataset Updates Towards Reliable and Timely Evaluation of Large Language Models [81.27391252152199]
  大規模言語モデル(LLM)は、さまざまな自然言語ベンチマークで素晴らしいパフォーマンスを実現している。 本稿では、データセットの自動更新と、その有効性に関する体系的な分析を提案する。 1) 類似したサンプルを生成するための戦略を模倣すること,2) 既存のサンプルをさらに拡張する戦略を拡張すること,である。
  論文  参考訳（メタデータ） (2024-02-19T07:15:59Z)
• Deep autoregressive density nets vs neural ensembles for model-based offline reinforcement learning [2.9158689853305693]
  本稿では、利用可能なデータからシステムダイナミクスを推定し、仮想モデルロールアウトにおけるポリシー最適化を行うモデルベース強化学習アルゴリズムについて考察する。 このアプローチは、実際のシステムで破滅的な失敗を引き起こす可能性のあるモデルエラーを悪用することに対して脆弱である。 D4RLベンチマークの1つのよく校正された自己回帰モデルにより、より良い性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-02-05T10:18:15Z)
• Learn from the Past: A Proxy Guided Adversarial Defense Framework with Self Distillation Regularization [53.04697800214848]
  敵対的訓練(AT)は、ディープラーニングモデルの堅牢性を固める上で重要な要素である。 AT方式は、目標モデルの防御のために直接反復的な更新を頼りにしており、不安定な訓練や破滅的なオーバーフィッティングといった障害に頻繁に遭遇する。 汎用プロキシガイド型防衛フレームワークLAST(bf Pbf astから学ぶ)を提案する。
  論文  参考訳（メタデータ） (2023-10-19T13:13:41Z)
• Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
  本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。 本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。 この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
  論文  参考訳（メタデータ） (2022-07-23T18:54:10Z)
• Aggregation Service for Federated Learning: An Efficient, Secure, and More Resilient Realization [22.61730495802799]
  本稿では,学習過程を通じて個々のモデル更新を効率よく保護するシステム設計を提案する。 本システムは,実用性能で,ベースラインに匹敵する精度を実現している。
  論文  参考訳（メタデータ） (2022-02-04T05:03:46Z)
• RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
  フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。 クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。 悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
  論文  参考訳（メタデータ） (2021-07-07T15:42:49Z)

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。