論文の概要: EMA: Efficient Model Adaptation for Learning-based Systems

• arxiv url: http://arxiv.org/abs/2605.13942v1
• Date: Wed, 13 May 2026 17:26:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.431945
• Title: EMA: Efficient Model Adaptation for Learning-based Systems
• Title（参考訳）: EMA:学習ベースシステムのための効率的なモデル適応
• Authors: Daiyang Yu, Xinyu Chen, Yihan Zhang, Yan Liang, Yaqi Qiao, Fan Lai,
• Abstract要約: 本稿では,進化する環境に適応するための学習ベースシステムを支援する最初のモデル適応システムであるEMAについて述べる。 これは、新しい環境の入力状態を以前に類似した状態と整合させる状態変換器を導入することで、高価なモデルトレーニングを減らす。 また、しばしば見過ごされるがコストのかかるデータラベリングのプロセスにも対処する。
• 参考スコア（独自算出の注目度）: 13.458813331170466
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Machine learning (ML) is increasingly applied to optimize system performance in tasks such as resource management and network simulation. Unlike traditional ML tasks (e.g., image classification), networked systems often operate in heterogeneous, long-running, and dynamic environment states, where input conditions (e.g., network loads) and operational objectives can shift over time and across settings. Existing learning-based systems offer little support for adaptation, resulting in costly model training, extensive data collection, degraded system performance, and slow responsiveness. This paper presents EMA, the first model adaptation system supporting learning-based systems to adapt to evolving environments with minimal operational overhead. EMA takes a system-driven, data-centric approach that accommodates diverse system and model designs while addressing two key deployment challenges. First, it reduces expensive model training by introducing state transformers that align the input state of a new environment with previously similar states, allowing models to warm-start adaptation. Second, it addresses the often-overlooked yet costly process of data labeling--collecting ground truth for exploring and training on various system decisions--by prioritizing labeling high-utility data while balancing the tradeoff between training and labeling cost. Evaluations on eight representative learning-based systems show that EMA reduces adaptation costs (e.g., GPU training time) by 14.9-42.4% while improving system performance (e.g., network throughput) by 6.9-31.3%.
• Abstract（参考訳）: 機械学習(ML)は、リソース管理やネットワークシミュレーションといったタスクにおけるシステムパフォーマンスの最適化にますます応用されている。 従来のMLタスク(画像分類など)とは異なり、ネットワーク化されたシステムは、入力条件(例えば、ネットワーク負荷)と運用上の目的が時間とともに、またがって変更されるような、異種、長時間実行、動的環境で運用されることが多い。 既存の学習ベースのシステムでは、適応性はほとんどサポートされていないため、コストのかかるモデルトレーニング、広範なデータ収集、システムパフォーマンスの低下、応答性の低下といった結果になる。 本稿では,学習ベースシステムをサポートする最初のモデル適応システムであるEMAについて,運用上のオーバーヘッドを最小限に抑えながら,進化する環境に適応する。 EMAは、システム駆動型でデータ中心のアプローチを採用し、異なるシステムとモデル設計に対応しつつ、2つの主要なデプロイメント課題に対処します。 まず、新しい環境の入力状態を従来と類似した状態に整合させる状態変換器を導入し、モデルが適応を温めることで、高価なモデルトレーニングを減らします。 第二に、データラベリングの過度に見過ごされがちなプロセスに対処する — トレーニングとラベリングコストのトレードオフをバランスしながら、高ユーティリティデータのラベル付けを優先順位付けすることで、さまざまなシステム決定を探索し、トレーニングするための基礎的真実を収集する。 8つの代表的な学習ベースシステムの評価によると、EMAは適応コスト(GPUトレーニング時間など)を14.9-42.4%削減し、システム性能(ネットワークスループットなど)を6.9-31.3%改善している。

関連論文リスト

• History Is Not Enough: An Adaptive Dataflow System for Financial Time-Series Synthesis [25.486090554711797]
  は、市場とともに進化することを学ぶ適応データ生成の必要性を浮き彫りにしている。 本稿では,機械学習に基づく適応制御をデータキュレーションプロセスに統合するドリフト対応データフローシステムを提案する。
  論文  参考訳（メタデータ） (2026-01-15T07:38:59Z)
• MARS: Optimizing Dual-System Deep Research via Multi-Agent Reinforcement Learning [82.14973479594367]
  複雑な推論タスクのための大規模言語モデル(LLM)は、直感的で意図的な認知プロセスを橋渡しする革新的なアプローチを必要とする。 本稿では,Multi-Agent System for Deep ReSearch (MARS)を提案する。
  論文  参考訳（メタデータ） (2025-10-06T15:42:55Z)
• A Foundation Model for Massive MIMO Precoding with an Adaptive per-User Rate-Power Tradeoff [4.8310710966636545]
  本稿では,mMIMOプリコーディングのためのトランスフォーマーベース基礎モデルを提案する。 エネルギー消費が等しく、提案した基礎モデルのゼロショット展開はゼロ強制よりも著しく優れ、重み付き平均二乗誤差性能を8倍の複雑さでアプローチする。 我々の研究は、データの可用性とトレーニングの複雑さの課題に対処することで、DLベースのソリューションを実践的に実装することを可能にする。
  論文  参考訳（メタデータ） (2025-07-24T17:10:06Z)
• Meta-Computing Enhanced Federated Learning in IIoT: Satisfaction-Aware Incentive Scheme via DRL-Based Stackelberg Game [50.6166553799783]
  効率的なIIoT操作は、モデル品質とトレーニング遅延の間のトレードオフを必要とする。 本稿では,データサイズ,情報時代(AoI),メタコンピューティングのトレーニング遅延を考慮した満足度関数を設計する。 我々は、スタックルバーグ均衡を学ぶために、深い強化学習アプローチを採用する。
  論文  参考訳（メタデータ） (2025-02-10T03:33:36Z)
• Rethinking Resource Management in Edge Learning: A Joint Pre-training and Fine-tuning Design Paradigm [87.47506806135746]
  一部のアプリケーションでは、エッジラーニングは、スクラッチから新しい2段階ラーニングへと焦点を移している。 本稿では,2段階のエッジ学習システムにおける共同コミュニケーションと計算資源管理の問題について考察する。 事前学習および微調整段階に対する共同資源管理の提案は,システム性能のトレードオフをうまくバランスさせることが示されている。
  論文  参考訳（メタデータ） (2024-04-01T00:21:11Z)
• How to Scale Your EMA [20.94711634514331]
  モデルEMAが存在する場合、最適化のためのスケーリングルールを提供する。 本稿では,モデルEMAが対象モデルの最適化に寄与するルールの有効性を示す。 自己指導型学習では、パフォーマンスを犠牲にすることなく、バッチサイズ24,576までのBYOLのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-25T20:33:48Z)
• Actively Learning Costly Reward Functions for Reinforcement Learning [56.34005280792013]
  複雑な実世界の環境でエージェントを訓練することは、桁違いに高速であることを示す。 強化学習の手法を新しい領域に適用することにより、興味深く非自明な解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） (2022-11-23T19:17:20Z)
• Meta-Learning of Neural State-Space Models Using Data From Similar Systems [11.206109495578705]
  本稿では,深層エンコーダネットワークを用いたSSM構築のためのモデルに依存しないメタラーニングを提案する。 メタラーニングは教師付き学習や伝達学習よりも正確な神経SSMモデルが得られることを示す。
  論文  参考訳（メタデータ） (2022-11-14T22:03:35Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Information Theoretic Model Predictive Q-Learning [64.74041985237105]
  本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。 バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2019-12-31T00:29:22Z)

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。