論文の概要: Adaptive Composition of Machine Learning as a Service (MLaaS) for IoT Environments

• arxiv url: http://arxiv.org/abs/2506.11054v2
• Date: Tue, 17 Jun 2025 11:24:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 15:22:21.020612
• Title: Adaptive Composition of Machine Learning as a Service (MLaaS) for IoT Environments
• Title（参考訳）: IoT環境のための機械学習・アズ・ア・サービス(MLaaS)の適応的構成
• Authors: Deepak Kanneganti, Sajib Mistry, Sheik Mohammad Mostakim Fattah, Aneesh Krishna, Monowar Bhuyan,
• Abstract要約: IoT(Internet of Things)環境の動的な性質は、マシンラーニング・アズ・ア・サービス(ML)構成の有効性に疑問を投げかけるものだ。 本稿では,シームレスで効率的でスケーラブルなML合成を実現するための適応型ML合成フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The dynamic nature of Internet of Things (IoT) environments challenges the long-term effectiveness of Machine Learning as a Service (MLaaS) compositions. The uncertainty and variability of IoT environments lead to fluctuations in data distribution, e.g., concept drift and data heterogeneity, and evolving system requirements, e.g., scalability demands and resource limitations. This paper proposes an adaptive MLaaS composition framework to ensure a seamless, efficient, and scalable MLaaS composition. The framework integrates a service assessment model to identify underperforming MLaaS services and a candidate selection model to filter optimal replacements. An adaptive composition mechanism is developed that incrementally updates MLaaS compositions using a contextual multi-armed bandit optimization strategy. By continuously adapting to evolving IoT constraints, the approach maintains Quality of Service (QoS) while reducing the computational cost associated with recomposition from scratch. Experimental results on a real-world dataset demonstrate the efficiency of our proposed approach.
• Abstract（参考訳）: IoT(Internet of Things)環境の動的な性質は、MLaaS(Machine Learning as a Service)コンポジションの長期的な有効性に疑問を投げかけるものだ。 IoT環境の不確実性と可変性は、データ分散、例えば、コンセプトドリフトとデータの均一性、進化するシステム要件、例えばスケーラビリティ要求とリソース制限の変動につながる。 本稿では、シームレスで効率的でスケーラブルなMLaaS合成を実現するための適応型MLaaS合成フレームワークを提案する。 このフレームワークは、パフォーマンスの低いMLaaSサービスを特定するためのサービスアセスメントモデルと、最適な置換をフィルタリングする候補選択モデルを統合する。 文脈的マルチアーム帯域最適化戦略を用いてMLaaS合成を漸進的に更新する適応合成機構を開発した。 IoTの制約の進化に継続的に適応することにより、アプローチはQuality of Service(QoS)を維持しながら、再コンパイルに伴う計算コストをゼロから削減する。 実世界のデータセットを用いた実験結果から,提案手法の有効性が示された。

関連論文リスト

• Dynamic Context-oriented Decomposition for Task-aware Low-rank Adaptation with Less Forgetting and Faster Convergence [131.41894248194995]
  タスク認識方式でアダプタを初期化する新しい手法であるコンテキスト指向分解適応(CorDA)を提案する。 本手法は,タスク認識により,知識保存モード (KPM) と命令レビューモード (IPM) の2つのオプション適応モードを実現する。
  論文  参考訳（メタデータ） (2025-06-16T07:55:14Z)
• Taming LLMs by Scaling Learning Rates with Gradient Grouping [49.91587150497186]
  大きな言語モデル(LLM)のトレーニングは、その大規模で異質なアーキテクチャのため、課題を提起する。 SGG(Scaling with Gradient Grouping)は、動的グルーピングとグループ固有のスケーリングによる適応的な学習率推定を改善するグラデーションラッパーである。
  論文  参考訳（メタデータ） (2025-06-01T15:30:37Z)
• AFLoRA: Adaptive Federated Fine-Tuning of Large Language Models with Resource-Aware Low-Rank Adaption [3.805501490912696]
  フェデレートされた微調整は、分散データを使用して下流タスクにファンデーションモデルを適用するための有望なアプローチとして現れている。 大規模言語モデルのための適応的で軽量なファインチューニングフレームワークであるAFLoRAを提案する。
  論文  参考訳（メタデータ） (2025-05-30T16:35:32Z)
• Tool-Aided Evolutionary LLM for Generative Policy Toward Efficient Resource Management in Wireless Federated Learning [20.07184763454309]
  Federated Learning (FL)は、エッジデバイス間の分散モデルトレーニングを、プライバシフレンドリな方法で実現している。 本稿では,無線FL環境におけるデバイス選択のための適切なポリシーを生成するためのツール支援進化大言語モデル(T-ELLM)を提案する。
  論文  参考訳（メタデータ） (2025-05-16T10:07:29Z)
• Optimal Transport Adapter Tuning for Bridging Modality Gaps in Few-Shot Remote Sensing Scene Classification [80.83325513157637]
  Few-Shot Remote Sensing Scene Classification (FS-RSSC)は,限られたラベル付きサンプルを用いたリモートセンシング画像の分類の課題を示す。 理想的なプラトン表現空間を構築することを目的とした,OTAT(Optimal Transport Adapter Tuning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-19T07:04:24Z)
• Network Resource Optimization for ML-Based UAV Condition Monitoring with Vibration Analysis [54.550658461477106]
  条件監視(CM)は機械学習(ML)モデルを使用して異常および異常な条件を識別する。 本研究では,MLベースのUAV CMフレームワークにおけるネットワークリソースの最適化について検討する。 次元削減技術を活用することで、ネットワークリソース消費の99.9%が削減される。
  論文  参考訳（メタデータ） (2025-02-21T14:36:12Z)
• Reinforcement Learning Controlled Adaptive PSO for Task Offloading in IIoT Edge Computing [0.0]
  産業用IoT(Industrial Internet of Things)アプリケーションは、低レイテンシで重いデータ負荷を処理するために、効率的なタスクオフロードを要求する。 モバイルエッジコンピューティング(MEC)は、レイテンシとサーバ負荷を低減するために、デバイスに計算を近づける。 本稿では,適応粒子群最適化(APSO)と強化学習,特にソフトアクタ批判(SAC)を組み合わせた新しい解を提案する。
  論文  参考訳（メタデータ） (2025-01-25T13:01:54Z)
• HAFLQ: Heterogeneous Adaptive Federated LoRA Fine-tuned LLM with Quantization [55.972018549438964]
  LLM(Federated Fine-tuning of Pre-trained Large Language Models)は、さまざまなデータセットにまたがるタスク固有の適応を可能にすると同時に、プライバシの保護を可能にする。 本研究では, HAFLQ (Heterogeneous Adaptive Federated Low-Rank Adaptation Fine-tuned LLM with Quantization) を提案する。 テキスト分類タスクの実験結果から,HAFLQはメモリ使用量を31%削減し,通信コストを49%削減し,精度を50%向上し,ベースライン法よりも高速な収束を実現している。
  論文  参考訳（メタデータ） (2024-11-10T19:59:54Z)
• AQUILA: Communication Efficient Federated Learning with Adaptive Quantization in Device Selection Strategy [27.443439653087662]
  本稿では,これらの問題に対処するために考案された新しい適応型フレームワークであるAQUILA(Adaptive Quantization in Device selection Strategy)を紹介する。 AQUILAは、デバイス更新の品質と有用性を優先する高度なデバイス選択方法を統合する。 実験の結果,AQUILAは既存の手法に比べて通信コストを大幅に削減できることがわかった。
  論文  参考訳（メタデータ） (2023-08-01T03:41:47Z)
• 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。