論文の概要: AI-Driven Health Monitoring of Distributed Computing Architecture: Insights from XGBoost and SHAP
- arxiv url: http://arxiv.org/abs/2501.14745v1
- Date: Mon, 16 Dec 2024 06:37:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-02 07:18:50.211543
- Title: AI-Driven Health Monitoring of Distributed Computing Architecture: Insights from XGBoost and SHAP
- Title（参考訳）: AIによる分散コンピューティングアーキテクチャのヘルスモニタリング - XGBoostとSHAPからの洞察
- Authors: Xiaoxuan Sun, Yue Yao, Xiaoye Wang, Pochun Li, Xuan Li,
- Abstract要約: 本稿では、XGBoostに基づく健康状態判定手法を提案し、SHAP法を組み合わせてモデルの解釈可能性を分析する。
XGBoostは、エッジコンピューティングノードの複雑な特徴や非線形データを処理するのに優れた性能を持つ。
AI技術とコンピュータシステムの最適化を組み合わせることで、エッジコンピューティングノードの健康状態のインテリジェントなモニタリングを実現することができる。
- 参考スコア（独自算出の注目度）: 10.66329724127829
- License:
- Abstract: With the rapid development of artificial intelligence technology, its application in the optimization of complex computer systems is becoming more and more extensive. Edge computing is an efficient distributed computing architecture, and the health status of its nodes directly affects the performance and reliability of the entire system. In view of the lack of accuracy and interpretability of traditional methods in node health status judgment, this paper proposes a health status judgment method based on XGBoost and combines the SHAP method to analyze the interpretability of the model. Through experiments, it is verified that XGBoost has superior performance in processing complex features and nonlinear data of edge computing nodes, especially in capturing the impact of key features (such as response time and power consumption) on node status. SHAP value analysis further reveals the global and local importance of features, so that the model not only has high precision discrimination ability but also can provide intuitive explanations, providing data support for system optimization. Research shows that the combination of AI technology and computer system optimization can not only realize the intelligent monitoring of the health status of edge computing nodes but also provide a scientific basis for dynamic optimization scheduling, resource management and anomaly detection. In the future, with the in-depth development of AI technology, model dynamics, cross-node collaborative optimization and multimodal data fusion will become the focus of research, providing important support for the intelligent evolution of edge computing systems.
- Abstract（参考訳）: 人工知能技術の急速な発展に伴い、複雑なコンピュータシステムの最適化におけるその応用はますます広まりつつある。
エッジコンピューティングは効率的な分散コンピューティングアーキテクチャであり、ノードの健康状態はシステム全体のパフォーマンスと信頼性に直接影響を与える。
ノード状態判定における従来の手法の精度と解釈可能性の欠如を考慮して,XGBoostに基づく健康状態判定手法を提案し,SHAP法と組み合わせてモデルの解釈可能性を分析する。
実験により、XGBoostは、エッジコンピューティングノードの複雑な特徴や非線形データを処理し、特にノードの状態に対する重要な特徴(応答時間や電力消費など)の影響を捉えるのに優れていることが確認された。
SHAP値分析により,特徴のグローバルかつ局所的な重要性が明らかになり,精度の高い識別能力を持つだけでなく,直感的な説明が得られ,システム最適化のためのデータサポートが提供される。
研究によると、AI技術とコンピュータシステムの最適化の組み合わせは、エッジコンピューティングノードの健康状態のインテリジェントなモニタリングを実現するだけでなく、動的最適化のスケジューリング、リソース管理、異常検出のための科学的基盤を提供する。
将来的には、AI技術の奥深くの発展に伴い、モデルダイナミクス、ノード間の協調最適化、マルチモーダルデータ融合が研究の焦点となり、エッジコンピューティングシステムのインテリジェントな進化への重要な支援を提供する。
関連論文リスト
- A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。
これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。
本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文 参考訳（メタデータ） (2024-12-18T14:11:15Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - A Theoretical Framework for AI-driven data quality monitoring in high-volume data environments [1.2753215270475886]
本稿では,高ボリューム環境におけるデータ品質維持の課題に対処するために,AIによるデータ品質監視システムに関する理論的枠組みを提案する。
本稿では,ビッグデータのスケール,速度,多様性の管理における従来の手法の限界について検討し,高度な機械学習技術を活用した概念的アプローチを提案する。
主なコンポーネントは、インテリジェントデータ取り込み層、適応前処理機構、コンテキスト認識機能抽出、AIベースの品質評価モジュールなどである。
論文 参考訳（メタデータ） (2024-10-11T07:06:36Z) - Enhancing Feature Selection and Interpretability in AI Regression Tasks Through Feature Attribution [38.53065398127086]
本研究では、回帰問題に対する入力データの非形式的特徴をフィルタリングする特徴属性法の可能性について検討する。
我々は、初期データ空間から最適な変数セットを選択するために、統合グラディエントとk平均クラスタリングを組み合わせた機能選択パイプラインを導入する。
提案手法の有効性を検証するため, ターボ機械の開発過程における羽根振動解析を実世界の産業問題に適用した。
論文 参考訳（メタデータ） (2024-09-25T09:50:51Z) - Benchmarking Deep Learning Models on NVIDIA Jetson Nano for Real-Time Systems: An Empirical Investigation [2.3636539018632616]
この研究は、複雑なディープラーニングモデルの最適化を実証的に研究し、組み込みデバイス上で機能を分析する。
画像分類と映像行動検出のための推論速度の観点から最適化されたモデルの有効性を評価する。
論文 参考訳（メタデータ） (2024-06-25T17:34:52Z) - SAIH: A Scalable Evaluation Methodology for Understanding AI Performance
Trend on HPC Systems [18.699431277588637]
本稿では,HPCシステムのAI性能傾向を分析するためのスケーラブルな評価手法(SAIH)を提案する。
データとモデルは絶えずスケールするので、HPCシステムにおけるAIパフォーマンスの傾向と範囲を調べることができる。
論文 参考訳（メタデータ） (2022-12-07T02:42:29Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳（メタデータ） (2022-07-03T06:57:07Z) - Distributed intelligence on the Edge-to-Cloud Continuum: A systematic
literature review [62.997667081978825]
このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。
現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
論文 参考訳（メタデータ） (2022-04-29T08:06:05Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z)
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。