論文の概要: HarmonE: A Self-Adaptive Approach to Architecting Sustainable MLOps
- arxiv url: http://arxiv.org/abs/2505.13693v1
- Date: Mon, 19 May 2025 19:51:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-21 14:49:52.504267
- Title: HarmonE: A Self-Adaptive Approach to Architecting Sustainable MLOps
- Title（参考訳）: HarmonE: 持続可能なMLOpsを設計するための自己適応的なアプローチ
- Authors: Hiya Bhatt, Shaunak Biswas, Srinivasan Rakhunathan, Karthik Vaidhyanathan,
- Abstract要約: HarmonEは、機械学習オペレーションパイプラインにおける自己適応機能を実現するアーキテクチャアプローチである。
インテリジェントトランスポートシステム(ITS)のディジタルツイン(DT)によるアプローチを検証する。
以上の結果から,HarmonEは精度を保ち,持続可能性目標を達成しつつ,進化する条件に効果的に対応できることが示唆された。
- 参考スコア（独自算出の注目度）: 0.28845085660246716
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine Learning Enabled Systems (MLS) are becoming integral to real-world applications, but ensuring their sustainable performance over time remains a significant challenge. These systems operate in dynamic environments and face runtime uncertainties like data drift and model degradation, which affect the sustainability of MLS across multiple dimensions: technical, economical, environmental, and social. While Machine Learning Operations (MLOps) addresses the technical dimension by streamlining the ML model lifecycle, it overlooks other dimensions. Furthermore, some traditional practices, such as frequent retraining, incur substantial energy and computational overhead, thus amplifying sustainability concerns. To address them, we introduce HarmonE, an architectural approach that enables self-adaptive capabilities in MLOps pipelines using the MAPE-K loop. HarmonE allows system architects to define explicit sustainability goals and adaptation thresholds at design time, and performs runtime monitoring of key metrics, such as prediction accuracy, energy consumption, and data distribution shifts, to trigger appropriate adaptation strategies. We validate our approach using a Digital Twin (DT) of an Intelligent Transportation System (ITS), focusing on traffic flow prediction as our primary use case. The DT employs time series ML models to simulate real-time traffic and assess various flow scenarios. Our results show that HarmonE adapts effectively to evolving conditions while maintaining accuracy and meeting sustainability goals.
- Abstract（参考訳）: 機械学習 実行可能システム(MLS)は現実世界のアプリケーションにとって不可欠なものになりつつあるが、持続的なパフォーマンスを確保することは大きな課題である。
これらのシステムは動的環境で動作し、データドリフトやモデル劣化のような実行時の不確実性に直面する。
機械学習オペレーション(MLOps)は、MLモデルのライフサイクルを合理化することで、技術的な次元に対処するが、他の次元を見落としている。
さらに、頻繁な再訓練のような伝統的なプラクティスは、かなりのエネルギーと計算オーバーヘッドをもたらし、持続可能性に関する懸念を増幅する。
これに対処するため,MAPE-Kループを使用したMLOpsパイプラインの自己適応機能を実現するアーキテクチャアプローチであるHarmonEを紹介した。
HarmonEは、システムアーキテクトが設計時に明確な持続可能性目標と適応しきい値を定義し、予測精度、エネルギー消費、データ分散シフトといった重要なメトリクスのランタイム監視を実行し、適切な適応戦略を起動することを可能にする。
我々は,インテリジェントトランスポーテーションシステム(ITS)のディジタルツイン(DT)を用いて,交通流予測を主要なユースケースとするアプローチを検証する。
DTは時系列MLモデルを使用して、リアルタイムトラフィックをシミュレートし、さまざまなフローシナリオを評価する。
以上の結果から,HarmonEは精度を保ち,持続可能性目標を達成しつつ,進化する条件に効果的に対応できることが示唆された。
関連論文リスト
- World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。
mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。
特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
論文 参考訳（メタデータ） (2025-05-03T06:23:18Z) - UniSTD: Towards Unified Spatio-Temporal Learning across Diverse Disciplines [64.84631333071728]
本稿では,時間的モデリングのためのトランスフォーマーベースの統合フレームワークであるbfUnistageを紹介する。
我々の研究は、タスク固有の視覚テキストが時間学習のための一般化可能なモデルを構築することができることを示した。
また、時間的ダイナミクスを明示的に組み込むための時間的モジュールも導入する。
論文 参考訳（メタデータ） (2025-03-26T17:33:23Z) - Scalable Decision-Making in Stochastic Environments through Learned Temporal Abstraction [7.918703013303246]
我々は,高次元連続行動空間における決定を学習する上での課題に対処する潜在マクロ行動プランナー(L-MAP)を提案する。
L-MAPは状態条件ベクトル量子変分オートエンコーダ(VQ-VAE)を通して時間的に拡張されたマクロアクションの集合を学習する
連続制御タスクを含むオフラインRL設定では、L-MAPは離散潜在アクションを効率よく探索し、高い期待値が得られる。
論文 参考訳（メタデータ） (2025-02-28T16:02:23Z) - Architecting Digital Twins for Intelligent Transportation Systems [0.565395466029518]
本稿では,インテリジェントトランスポーテーションシステム(ITS)のためのDigital Twin(DT)プラットフォームであるDigITのアーキテクチャを提案する。
アーキテクチャは、キーとなるITSコンポーネントを体系的にモデル化し、予測モデリングとシミュレーションのシームレスな統合を可能にする。
進化するトラフィックパターンに適応するために、アーキテクチャには適応機械学習操作(MLOps)が組み込まれている。
論文 参考訳（メタデータ） (2025-02-24T20:51:09Z) - Digital Transformation in the Water Distribution System based on the Digital Twins Concept [0.0]
本稿では,配水システムのための最新のDTプラットフォームの開発について述べる。
モノのインターネット、人工知能、機械学習モデルといった高度な技術を導入している。
この観点では、システムは意思決定能力、運用効率、システムの信頼性の向上に寄与する。
論文 参考訳（メタデータ） (2024-12-09T17:40:37Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Towards Architecting Sustainable MLOps: A Self-Adaptation Approach [0.0]
機械学習オペレーション(MLOps)は、MLSの適応性と技術的持続性を向上させることで、有望なソリューションを提供する。
本稿では,MLOpsの持続可能性を高めるためのMAPE-Kループを通じて,MLOpsアーキテクチャに自己適応原則を組み込んだ新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-04-06T09:38:04Z) - MOTO: Offline Pre-training to Online Fine-tuning for Model-based Robot
Learning [52.101643259906915]
本研究では,高次元観測による強化学習におけるオフライン事前学習とオンラインファインチューニングの問題について検討する。
既存のモデルベースオフラインRL法は高次元領域におけるオフラインからオンラインへの微調整には適していない。
本稿では,事前データをモデルベース値拡張とポリシー正則化によって効率的に再利用できるオンラインモデルベース手法を提案する。
論文 参考訳（メタデータ） (2024-01-06T21:04:31Z) - DA-LSTM: A Dynamic Drift-Adaptive Learning Framework for Interval Load
Forecasting with LSTM Networks [1.3342521220589318]
ドリフト等級閾値は、ドリフトを識別するための変化検出方法を設計するために定義されるべきである。
本稿では,負荷予測モデルの性能向上を図るための動的ドリフト適応長短期メモリ(DA-LSTM)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-15T16:26:03Z) - Learning to Continuously Optimize Wireless Resource In Episodically
Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。
本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。
我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文 参考訳（メタデータ） (2020-11-16T08:24:34Z)
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。