論文の概要: CRAFTER: Causality-based Self-adaptation for Autonomous IoT Systems

• arxiv url: http://arxiv.org/abs/2610.06320v1
• Date: Mon, 05 Oct 2026 13:34:23 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:50:09.801024
• Title: CRAFTER: Causality-based Self-adaptation for Autonomous IoT Systems
• Title（参考訳）: CRAFTER: 自律IoTシステムのための因果性に基づく自己適応
• Abstract要約: CRAFTERは、自己適応型IoTシステムを設計およびデプロイするための自動化フレームワークである。 因果グラフを生成して、システムコンポーネント間の依存関係を明らかにし、適応決定をガイドする。 最先端の強化学習ベースのアプローチと比較して、自己適応のパフォーマンスを25%向上させる。
• 参考スコア（独自算出の注目度）: 0.2099922236065961
• License:
• Abstract: This paper presents CRAFTER, an automated framework for designing and deploying self-adaptive IoT systems using Causal Reinforcement Learning (CRL). As IoT devices increasingly populate pervasive computing spaces, smart environments are enabled with advanced monitoring and interactive services. The dynamic nature of these environments, such as fluctuating workloads and evolving application demands, poses significant challenges in maintaining consistent Quality of Service (QoS) levels of IoT applications. While existing self-adaptation techniques offer adaptive capabilities, they are often designed to deal with specific application domains, hindering the design of self-adaptive solutions that can be re-used across multiple IoT verticals. In addition, there is a lack of automated pipelines that act on identifying key performance drivers to take effective adaptation decisions. CRAFTER addresses these issues by using Causality as a formal framework for performance analysis of IoT systems. CRAFTER generates causal graphs to uncover dependencies among system components and guide adaptation decisions based on cause-effect relationships. Then, adaptation agents can leverage this knowledge to take more effective adaptation decisions in dynamic situations. Our experimental evaluation demonstrates how CRAFTER enables deriving causal graphs spanning diverse IoT use cases. Furthermore, we showcase how CRAFTER improves self-adaptation performance by 25% compared to state-of-the-art Reinforcement Learning-based approaches.
• Abstract（参考訳）: 本稿では,Causal Reinforcement Learning (CRL) を用いた自己適応型IoTシステムを設計およびデプロイするためのフレームワークであるCRAFTERを提案する。 IoTデバイスが広範に普及するにつれて、スマート環境は高度な監視と対話型サービスによって実現される。 ワークロードの変動やアプリケーション要求の進化といった、これらの環境の動的な性質は、一貫性のあるQuality of Service(QoS)レベルのIoTアプリケーションを維持する上で、大きな課題を引き起こします。 既存の自己適応技術は適応的な機能を提供するが、特定のアプリケーションドメインを扱うように設計されており、複数のIoT領域で再利用可能な自己適応型ソリューションの設計を妨げることも多い。 さらに、重要なパフォーマンスドライバを特定して効果的な適応決定を行う自動パイプラインが欠如しています。 CRAFTERは、IoTシステムのパフォーマンス分析の正式なフレームワークとしてCausalityを使用することで、これらの問題に対処する。 CRAFTERは因果グラフを生成し、システムコンポーネント間の依存関係を明らかにし、因果関係に基づいた適応決定を導出する。 適応エージェントはこの知識を利用して動的状況においてより効果的な適応決定を行うことができる。 我々の実験的評価は、CRAFTERが多様なIoTユースケースにまたがる因果グラフを導出する方法を示している。 さらに, CRAFTERは, 最先端の強化学習手法と比較して, 自己適応性能を25%向上させることを示した。

関連論文リスト

• Learning What to Remember and What to Internalize in LLM Self-Evolution via Adaptive Memory-Parameter Coordination [40.98046592234726]
  我々は,統合エージェントの自己進化フレームワークであるCOVEを紹介する。 これは、タスク対応ルーティング、ステージ対応スケジューリング、知識最適化を通じて、ハーネスベースとパラメータベースの学習を組み合わせる。 COVEは単一チャネルの進化戦略より優れており、環境の変化によるより堅牢で効率的な改善を実証している。
  論文  参考訳（メタデータ） (2026-08-02T13:39:01Z)
• Agentic AI as a Network Control-Plane Intelligence Layer for Federated Learning over 6G [47.84137752186323]
  6Gネットワーク上でのフェデレーション学習を管理するための制御層としてエージェントAIを提案する。 検索、計画、コーディング、評価に焦点を当てた専門エージェントのセットは、クライアントの選択、インセンティブ構造化、スケジューリング、リソース割り当て、適応的なローカルトレーニング、コード生成を扱う。 クローズドループ評価とメモリの使用により、システムは決定を一貫して洗練することができる。
  論文  参考訳（メタデータ） (2026-03-10T03:27:33Z)
• Contrastive Continual Learning for Model Adaptability in Internet of Things [0.0]
  IoT(Internet of Things)デプロイメントは、センサドリフトなどの要因がアプリケーションユーティリティに影響を与えるような、非定常な動的環境で動作する。 連続学習(CL)は、破滅的な忘れをせずにモデルに時間をかけて適応することでこの問題に対処する。 コントラスト学習は、自己管理的な方法で堅牢性とサンプル効率を改善する強力な表現学習パラダイムとして登場した。
  論文  参考訳（メタデータ） (2026-02-04T18:59:14Z)
• RITA: Automatic Framework for Designing of Resilient IoT Applications [0.0]
  我々は,RoBERTaをベースとした名前付きエンティティ認識(NER)モデルを用いた,オープンソースのフレームワークRITAを提案する。 RITAは完全にオフラインで動作し、オンサイトに配置され、機密情報を保護できる。 経験的評価では, RITAは7つのICOカテゴリのうち4つでChatGPTを上回った。
  論文  参考訳（メタデータ） (2024-11-27T13:24:52Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Empowering Aggregators with Practical Data-Driven Tools: Harnessing Aggregated and Disaggregated Flexibility for Demand Response [37.69303106863453]
  本研究は,要求応答(DR)プログラムを通じて,アグリゲータと建物利用者の柔軟性の活性化における相互作用について検討する。 限られたデータを持つ環境において、集約された柔軟性の提供戦略を最適化する手法を導入する。
  論文  参考訳（メタデータ） (2024-01-19T14:43:04Z)
• AdaptiveFL: Adaptive Heterogeneous Federated Learning for Resource-Constrained AIoT Systems [25.0282475069725]
  Federated Learning (FL)は、AIoT(Artificial Intelligence of Things)デバイス間の協調学習を可能にすることを約束している。 本稿では,新しい幅ワイドモデルプルーニング戦略に基づいて,AdaptiveFLという効果的なFL手法を提案する。 我々は,AdaptiveFLがIIDシナリオと非IIDシナリオの両方に対して最大16.83%の推論改善を達成可能であることを示す。
  論文  参考訳（メタデータ） (2023-11-22T05:17:42Z)
• An Energy-Aware Approach to Design Self-Adaptive AI-based Applications on the Edge [42.462246527457594]
  我々は、自己適応型AIベースのアプリケーションの設計と展開にエネルギーを意識したアプローチを提案する。 本稿では,メタヒューリスティックな探索手順でシステムに自己適応できる構成の集合を決定する問題に対処する。 その結果、我々の自己適応型アプリケーションは、最大81%のエネルギーを節約し、2%から6%の精度で、非適応型ベースライン構成を上回ります。
  論文  参考訳（メタデータ） (2023-08-31T09:33:44Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)

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。