論文の概要: Test-Time Adaptive Composition for Machine Learning as a Service (MLaaS) in IoT Environments
- arxiv url: http://arxiv.org/abs/2606.07685v1
- Date: Fri, 05 Jun 2026 02:52:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:05.274819
- Title: Test-Time Adaptive Composition for Machine Learning as a Service (MLaaS) in IoT Environments
- Title（参考訳）: IoT環境におけるマシンラーニング・アズ・ア・サービス(MLaaS)のテスト時間適応構成
- Authors: Deepak Kanneganti, Sajib Mistry, Sheik Mohammad Mostakim Fattah, Aneesh Krishna,
- Abstract要約: 我々は,IoT環境における機械学習のための新しいテスト時間適応合成フレームワークを提案する。
まず、TTA対応のコンポーザビリティモデルを導入し、既存のコンポーザビリティに適合するサービスが存在するかどうかを判断する。
次に、構成性能を保ちながら、推論中に個々のサービスを調整するためのサービスレベル適応モデルを設計する。
- 参考スコア（独自算出の注目度）: 0.06999740786886537
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The dynamic nature of Internet of Things (IoT) environments affects the long-term effectiveness of Machine Learning as a Service (MLaaS) compositions. Existing adaptive composition methods are mainly based on service replacement or re-composition, where identifying suitable substitutes is difficult and time-consuming. To address this, we propose a novel Test-Time Adaptive (TTA) composition framework for MLaaS in IoT environments. First, we introduce a TTA-aware composability model to determine whether adapted services remain compatible with the existing composition. Next, we design a service-level adaptation model to adjust individual services during inference while preserving composition performance. Experimental results demonstrate that the proposed framework reduces computational time more effectively than traditional adaptive approaches.
- Abstract（参考訳）: IoT(Internet of Things)環境の動的性質は、MLaaS(Machine Learning as a Service)コンポジションの長期的な効果に影響を与える。
既存の適応型合成法は主にサービス置換または再構成に基づいており、適切な代替品を特定するのが難しく、時間を要する。
そこで我々は,IoT環境におけるMLaaSのための新しいテスト時間適応(TTA)合成フレームワークを提案する。
まず、TTA対応のコンポーザビリティモデルを導入し、既存のコンポーザビリティに適合するサービスが存在するかどうかを判断する。
次に、構成性能を保ちながら、推論中に個々のサービスを調整するためのサービスレベル適応モデルを設計する。
実験により,提案手法は従来の適応手法よりも計算時間を効率よく短縮することを示した。
関連論文リスト
- Adaptive Reinforcement Learning for Dynamic Configuration Allocation in Pre-Production Testing [4.370892281528124]
本稿では, コンフィグレーション割り当てを逐次決定問題として再放送する, 新たな強化学習フレームワークを提案する。
提案手法は,Q-ラーニングをシミュレーション結果とリアルタイムフィードバックを融合したハイブリッド報酬設計と統合する最初の方法である。
論文 参考訳（メタデータ） (2025-10-02T05:12:28Z) - In-Context Learning for Gradient-Free Receiver Adaptation: Principles, Applications, and Theory [54.92893355284945]
ディープラーニングベースの無線受信機は、様々なチャネル環境に動的に適応する能力を提供する。
ジョイントトレーニング、ハイパーネットワークベースの手法、メタラーニングを含む現在の適応戦略は、限られた柔軟性を示すか、勾配降下による明示的な最適化を必要とする。
本稿では、インコンテキスト学習(ICL)の新たなパラダイムに根ざした勾配なし適応手法を提案する。
論文 参考訳（メタデータ） (2025-06-18T06:43:55Z) - Adaptive Composition of Machine Learning as a Service (MLaaS) for IoT Environments [0.0]
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。
論文 参考訳（メタデータ） (2025-05-22T11:31:00Z) - 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) - FADAS: Towards Federated Adaptive Asynchronous Optimization [56.09666452175333]
フェデレートラーニング(FL)は、プライバシ保護機械学習のトレーニングパラダイムとして広く採用されている。
本稿では、非同期更新を適応的フェデレーション最適化と証明可能な保証に組み込む新しい手法であるFADASについて紹介する。
提案アルゴリズムの収束率を厳格に確立し,FADASが他の非同期FLベースラインよりも優れていることを示す実験結果を得た。
論文 参考訳（メタデータ） (2024-07-25T20:02:57Z) - Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。
FEIシステムは異種通信と計算資源分布を示す。
本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-26T08:13:22Z) - Test-time Adaptation in the Dynamic World with Compound Domain Knowledge
Management [75.86903206636741]
テスト時間適応(TTA)により、モデルは新しい環境に適応し、テスト時間中にパフォーマンスを向上させることができる。
TTAのいくつかの研究は、継続的に変化する環境において、有望な適応性能を示している。
本稿ではまず,複合ドメイン知識管理を用いた堅牢なTTAフレームワークを提案する。
次に、ソースと現在のターゲットドメイン間のドメイン類似性を用いて適応率を変調する新しい正規化を考案する。
論文 参考訳（メタデータ） (2022-12-16T09:02:01Z) - Towards Better Adaptive Systems by Combining MAPE, Control Theory, and
Machine Learning [16.998805882711864]
適応システムを設計するための2つの確立されたアプローチは、監視分析計画実行ループを使用するアーキテクチャベースの適応と、適応を実現するための制御理論(ct)の原則に依存する制御ベースの適応である。
私たちは、これらのアプローチが相互にどのように関連しているか、それらを組み合わせて機械学習をサポートすることがよりよい適応システムを生み出すかどうか、という問題に関係しています。
我々は、クラウドベースのエンタープライズシステムのシナリオを用いて、異なる適応アプローチを組み合わせる動機付け、異なるアプローチを組み合わせる際に分析を説明する。
論文 参考訳（メタデータ） (2021-03-19T15:00:08Z) - Relational Teacher Student Learning with Neural Label Embedding for
Device Adaptation in Acoustic Scene Classification [49.0621360050418]
音響シーン分類におけるデバイスミスマッチ問題に対処するドメイン適応フレームワークを提案する。
音響シーンのクラス間の構造的関係を考慮し、本提案手法は本質的にデバイスに依存しない関係を捉える。
トレーニング段階では、転写可能な知識はソースドメインからNLEに凝縮される。
適応段階では、ペアのソースターゲットデータを使用しずに適応対象モデルを学習するために、新しいRTSL戦略を採用する。
論文 参考訳（メタデータ） (2020-07-31T23:07:20Z)
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。