論文の概要: Timely Information Updating for Mobile Devices Without and With ML Advice

• arxiv url: http://arxiv.org/abs/2512.17381v1
• Date: Fri, 19 Dec 2025 09:36:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.327233
• Title: Timely Information Updating for Mobile Devices Without and With ML Advice
• Title（参考訳）: MLアドバイスのないモバイルデバイスのためのタイムリー情報更新
• Authors: Yu-Pin Hsu, Yi-Hsuan Tseng,
• Abstract要約: 本稿では,モバイルデバイスが物理的プロセスを監視し,アクセスポイント(AP)にステータス更新を送信する情報更新システムについて検討する。 APで保持される情報のタイムラインと、デバイスで発生した更新コストとの間には、根本的なトレードオフが生じる。 利用可能な観測値のみを用いて更新をいつ送信するかを決定するオンラインアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 2.406359246841227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper investigates an information update system in which a mobile device monitors a physical process and sends status updates to an access point (AP). A fundamental trade-off arises between the timeliness of the information maintained at the AP and the update cost incurred at the device. To address this trade-off, we propose an online algorithm that determines when to transmit updates using only available observations. The proposed algorithm asymptotically achieves the optimal competitive ratio against an adversary that can simultaneously manipulate multiple sources of uncertainty, including the operation duration, the information staleness, the update cost, and the availability of update opportunities. Furthermore, by incorporating machine learning (ML) advice of unknown reliability into the design, we develop an ML-augmented algorithm that asymptotically attains the optimal consistency-robustness trade-off, even when the adversary can additionally corrupt the ML advice. The optimal competitive ratio scales linearly with the range of update costs, but is unaffected by other uncertainties. Moreover, an optimal competitive online algorithm exhibits a threshold-like response to the ML advice: it either fully trusts or completely ignores the ML advice, as partially trusting the advice cannot improve the consistency without severely degrading the robustness. Extensive simulations in stochastic settings further validate the theoretical findings in the adversarial environment.
• Abstract（参考訳）: 本稿では,モバイルデバイスが物理的プロセスを監視し,アクセスポイント(AP)にステータス更新を送信する情報更新システムについて検討する。 APで保持される情報のタイムラインと、デバイスで発生した更新コストとの間には、根本的なトレードオフが生じる。 このトレードオフに対処するために、利用可能な観測のみを用いて更新をいつ送信するかを決定するオンラインアルゴリズムを提案する。 提案アルゴリズムは,操作時間,情報安定度,更新コスト,更新機会の可用性など,複数の不確実性源を同時に操作できる敵に対する最適競合比を漸近的に達成する。 さらに、未知の信頼性を持つ機械学習(ML)アドバイスを設計に組み込むことにより、敵が追加的にMLアドバイスを破損しても、漸近的に最適整合性-損益性トレードオフを達成するML拡張アルゴリズムを開発する。 最適競合比は更新コストの範囲とともに線形にスケールするが、他の不確実性の影響を受けない。 さらに、最適な競合オンラインアルゴリズムは、MLアドバイスに対するしきい値のような反応を示す:それはMLアドバイスを完全に信頼するか、完全に無視する。 確率的環境における広範囲なシミュレーションは、敵の環境における理論的発見をさらに検証する。

関連論文リスト

• Generalized Linear Bandits: Almost Optimal Regret with One-Pass Update [70.38810219913593]
  非線形リンク関数を組み込んで古典線形モデルを拡張したコンテキスト型多武装バンディットフレームワークである一般化線形バンディット問題(GLB)について検討する。 GLBは現実世界のシナリオに広く適用できるが、その非線形性は計算効率と統計効率の両方を達成する上で大きな課題をもたらす。 本稿では,$mathcalO(1)$時間と1ラウンドあたりの空間複雑度をほぼ最適に再現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-16T02:24:21Z)
• MIBP-Cert: Certified Training against Data Perturbations with Mixed-Integer Bilinear Programs [50.41998220099097]
  トレーニング中のデータエラー、汚職、中毒攻撃は、現代のAIシステムの信頼性に大きな脅威をもたらす。 混合整数双線形プログラミング(MIBP)に基づく新しい認証手法MIBP-Certを紹介する。 摂動データや操作データを通じて到達可能なパラメータの集合を計算することで、可能なすべての結果を予測することができ、堅牢性を保証することができる。
  論文  参考訳（メタデータ） (2024-12-13T14:56:39Z)
• Effective ML Model Versioning in Edge Networks [2.867517731896504]
  性能,応答時間,セキュリティ,信頼性に制約があることから,エッジネットワーク環境について検討する。 サーバの負荷値のあらゆる範囲において、セキュリティ、信頼性、および/またはMLモデルの正確性を改善する適切なバージョニングを見つけることができることを示す。
  論文  参考訳（メタデータ） (2024-11-01T23:19:05Z)
• Large Continual Instruction Assistant [59.585544987096974]
  CIT(Continuous Instruction Tuning)は、大規模モデルにデータによる人間の意図データに従うよう指示するために用いられる。 既存の更新勾配は、CITプロセス中に前のデータセットのパフォーマンスを著しく損なうことになる。 本稿では,この課題に対処する汎用的な連続的命令チューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-08T11:24:59Z)
• Future Aware Safe Active Learning of Time Varying Systems using Gaussian Processes [8.678546901075984]
  本稿では,時間変動システムに適した安全な能動学習フレームワークを提案する。 時間認識型平均二乗予測誤差(T-IMSPE)法は,現在および将来の状態に対する後方分散を最小化する。
  論文  参考訳（メタデータ） (2024-05-17T07:09:52Z)
• Active Inference on the Edge: A Design Study [5.815300670677979]
  アクティブ推論(アクティブ推論、英: Active Inference、ACI)とは、脳が知覚情報を常に予測し評価し、長期的サプライズを減らす方法を記述する神経科学の概念である。 我々は,ACIエージェントが要求を満たすことなく,最適化問題を迅速かつ追跡的に解決できたことを示す。
  論文  参考訳（メタデータ） (2023-11-17T16:03:04Z)
• Age of Semantics in Cooperative Communications: To Expedite Simulation Towards Real via Offline Reinforcement Learning [53.18060442931179]
  協調リレー通信システムにおける状態更新のセマンティックス更新度を測定するための意味学年代(AoS)を提案する。 オンライン・ディープ・アクター・クリティック(DAC)学習手法を,政治時間差学習の枠組みに基づいて提案する。 そこで我々は,以前に収集したデータセットから最適制御ポリシーを推定する,新しいオフラインDAC方式を提案する。
  論文  参考訳（メタデータ） (2022-09-19T11:55:28Z)
• Uncertainty-Aware Boosted Ensembling in Multi-Modal Settings [33.25969141014772]
  不確実性推定は、デプロイにおける機械学習システムの信頼性を強調する、広く研究されている方法である。 逐次および並列アンサンブル手法により,マルチモーダル設定におけるMLシステムの性能が向上した。 本研究では,不確かさを高く見積もるデータポイントに着目し,マルチモーダルセンシングのための不確実性認識促進手法を提案する。
  論文  参考訳（メタデータ） (2021-04-21T18:28:13Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。