論文の概要: Performance Drift Detection in Machine Learning as a Service (MLaaS) for IoT Environments

• arxiv url: http://arxiv.org/abs/2608.18555v1
• Date: Wed, 19 Aug 2026 05:24:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.28704
• Title: Performance Drift Detection in 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)におけるパフォーマンスドリフト検出
• Abstract要約: 我々は,IoT環境のための新しいMLパフォーマンスドリフト検出フレームワークを提案する。 このフレームワークはまずML抽出モデルを使用し、入力と出力のペアからサービスの振る舞いを学習する。 さらに、監視周波数を調整する適応性能ドリフト検出機構を設計する。
• 参考スコア（独自算出の注目度）: 0.06157382820537719
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine Learning as a Service (MLaaS) is a powerful cloud paradigm enabling data-driven intelligent applications in Internet of Things (IoT) environments, widely adopted across healthcare, smart homes, and industry due to its cost-effectiveness. However, the dynamic nature of IoT frequently alters data distributions, affecting MLaaS stability, while periodic MLaaS updates further introduce performance drift. Unlike traditional ML systems, MLaaS clients operate as black-box users without access to internal data or parameters, making drift detection particularly challenging. To address this, we propose a novel MLaaS Performance Drift Detection framework for IoT environments. The framework first employs an MLaaS extraction model that learns service behavior from input-output pairs and identifies prediction-influenced features. Building on this, the proposed MLaaS Performance Drift Detection (MPDD) model jointly captures variations in input data and MLaaS behavior. We further design an Adaptive-Temporal Performance Drift Detection Mechanism (APDDM) that dynamically adjusts monitoring frequency based on behavioral and data variations, enabling timely drift detection for effective service management. Extensive experiments on real-world datasets demonstrate that MPDD achieves up to 22-25% accuracy improvement over baseline drift detection methods. APDDM provides an average accuracy gain of approximately 4% and reduces the miss detection rate by around 9% compared to fixed-interval monitoring.
• Abstract（参考訳）: マシンラーニング・アズ・ア・サービス(MLaaS)は、IoT(Internet of Things)環境におけるデータ駆動型インテリジェントアプリケーションを可能にする強力なクラウドパラダイムである。 しかし、IoTのダイナミックな性質はデータの分散を頻繁に変更し、MLaaSの安定性に影響を与える。 従来のMLシステムとは異なり、MLaaSクライアントは内部データやパラメータにアクセスせずにブラックボックスユーザとして動作するため、ドリフト検出が特に難しい。 そこで本研究では,IoT環境を対象としたMLaaSパフォーマンスドリフト検出フレームワークを提案する。 このフレームワークはまずMLaaS抽出モデルを使用し、入力と出力のペアからサービスの振る舞いを学び、予測に影響を及ぼす特徴を識別する。 これに基づいて、MLaaSパフォーマンスドリフト検出(MPDD)モデルが、入力データとMLaaSの振る舞いのバリエーションを共同でキャプチャする。 さらに、動作とデータの変化に基づいてモニタリング周波数を動的に調整し、効率的なサービス管理のためのタイムリードリフト検出を可能にする適応時間性能ドリフト検出機構(APDDM)を設計する。 実世界のデータセットに対する大規模な実験により、MPDDはベースラインドリフト検出法よりも22-25%精度が向上することが示された。 APDDMは平均精度が約4%向上し、固定間隔モニタリングと比較してミス検出率を約9%削減する。

関連論文リスト

• Uncertainty-Aware Adaptive Sensor Fusion for Autonomous Navigation [0.0]
  この研究は、視覚慣性オドメトリー(VIO)の自律ナビゲーションにおけるポーズ推定精度を高めるために、Unscented Kalman Filter (UKF)と統合されたハイブリッドディープラーニングアプローチを導入する。 提案モデルでは、慣性計測ユニット(IMU)データから時間的依存を効果的に捉えるために、ViT(Vision Transformer)ネットワークを使用している。 予測不確実性を学習プロセスに明示的に組み込むことにより,ノイズ,不完全,信頼できないセンサ入力下での堅牢かつ正確なナビゲーションを可能にする。
  論文  参考訳（メタデータ） (2026-06-03T20:59:42Z)
• Enhancing Eye Feature Estimation from Event Data Streams through Adaptive Inference State Space Modeling [68.1289208938377]
  イベントベースのデータストリームから目の特徴抽出を効率的かつ低エネルギーで行うことができる。 本稿では,特徴抽出のための新しいアーキテクチャである強調型推論状態空間モデル(AISSM)を紹介する。 また、トレーニング効率を向上させる新しい学習手法を開発・評価する。
  論文  参考訳（メタデータ） (2026-03-14T18:47:08Z)
• A Multi-Criteria Automated MLOps Pipeline for Cost-Effective Cloud-Based Classifier Retraining in Response to Data Distribution Shifts [0.0]
  機械学習(ML)モデルの性能は、基礎となるデータ分布が時間とともに変化すると劣化することが多い。 MLOps(ML Operations)はしばしば手動であり、人間はモデルの再訓練と再デプロイのプロセスをトリガーする。 本稿では,データ分散の大幅な変化に応じて,ニューラルネットワークの再トレーニングに対処する自動MLOpsパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-12T13:22:14Z)
• DynaMark: A Reinforcement Learning Framework for Dynamic Watermarking in Industrial Machine Tool Controllers [2.440379640936221]
  DynaMark - 動的透かしをマルコフ決定プロセス(MDP)としてモデル化する強化学習フレームワーク 制御性能、エネルギー消費、検出信頼性を動的にバランスするユニークな報酬関数を最大化する。 Siemens Sinumerik 828Dコントローラーのデジタルツインで、DynaMarkは名目軌道を維持しながら透かしエネルギーを70%削減する。
  論文  参考訳（メタデータ） (2025-08-29T17:24:00Z)
• VAE-based Feature Disentanglement for Data Augmentation and Compression in Generalized GNSS Interference Classification [42.14439854721613]
  干渉の正確な分類を可能にする重要な潜伏特徴を抽出するために, アンタングル化のための変分オートエンコーダ (VAE) を提案する。 提案するVAEは512から8,192の範囲のデータ圧縮率を実現し,99.92%の精度を実現している。
  論文  参考訳（メタデータ） (2025-04-14T13:38:00Z)
• AutoML for Multi-Class Anomaly Compensation of Sensor Drift [44.63945828405864]
  センサドリフトは、時間とともに機械学習モデルのパフォーマンスを低下させる。 標準クロスバリデーション法はドリフトの不適切な会計によって性能を過大評価する。 本稿では,(1)モデル検証のための新しいセンサドリフト補償学習パラダイム,(2)分類性能の向上とセンサドリフト補償のための自動機械学習(AutoML)技術を提案する。
  論文  参考訳（メタデータ） (2025-02-26T14:34:53Z)
• SUDS: A Strategy for Unsupervised Drift Sampling [0.5437605013181142]
  監視された機械学習は、データ分散が時間とともに変化するコンセプトドリフトに遭遇し、パフォーマンスが低下する。 本稿では,既存のドリフト検出アルゴリズムを用いて,同種サンプルを選択する新しい手法であるドリフトサンプリング戦略(SUDS)を提案する。 本研究は, 動的環境におけるラベル付きデータ利用の最適化におけるSUDSの有効性を示すものである。
  論文  参考訳（メタデータ） (2024-11-05T10:55:29Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)
• Real-time Object Detection for Streaming Perception [84.2559631820007]
  ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。 ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。 提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
  論文  参考訳（メタデータ） (2022-03-23T11:33:27Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)
• An Empirical Analysis of Backward Compatibility in Machine Learning Systems [47.04803977692586]
  MLモデルの改善を目的としたアップデートでは,下流システムやユーザに大きな影響を及ぼす可能性のある,新たなエラーが発生する可能性がある。 例えば、画像認識などのクラウドベースの分類サービスで使用されるモデルの更新は、予期しない誤った振る舞いを引き起こす可能性がある。
  論文  参考訳（メタデータ） (2020-08-11T08:10:58Z)

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。