Aug, 2023

通过 QoS 感知的模型切换实现自适应的机器学习增强系统

PDF
TL;DR通过使用多个模型，我们提出了一种用于管理与机器学习模型相关的运行时不确定性的机器学习模型平衡器的概念，并引入了 AdaMLS，一种新颖的自适应方法，它利用这个概念并扩展了传统的 MAPE-K 循环以实现连续的机器学习系统自适应。AdaMLS 通过使用轻量级无监督学习进行动态模型切换，从而确保了一致的服务质量。通过一个自适应目标检测系统原型，我们展示了 AdaMLS 在平衡系统和模型性能方面的有效性。初步结果表明，AdaMLS 在服务质量保证方面超过了天真方法和单一最先进的模型，标志着在动态环境中实现自适应机器学习系统的优化服务质量的进展。
发现论文，激发创造
  • 使用终身自适应处理学习自适应系统中适应空间漂移问题

    提出了一种基于机器学习的自适应系统，称之为终身自适应，它可以跟踪系统和环境情况，识别新任务并相应地更新自适应系统的学习模型，用于解决自适应空间漂移等问题。

    Nov, 2022

  • 一种基于交互因果关系的自适应机器学习模型部署的网络制造物联网系统

    机器学习在许多制造应用中已被证明可以提高生产力。本文提出了 AdaptIoT 系统，它由端到端的数据流水线、机器学习服务集成和自动自标记服务组成，能够在制造业中自适应地个性化多个机器学习模型，并通过一个创客空间的现场演示展示了可靠的性能。

    Apr, 2024

  • 基于自适应大型语言模型（LLM）的多智能体系统

    本文提出将大型语言模型（LLMs）融入多智能体系统（MASs）中来实现其自适应，并通过一个基于 MAS 的应用进行实践说明，从而为 MAS 的自适应提供新的范式。

    Jul, 2023

  • 机器学习与定量规划的结合：使自主机器人实现自适应

    本文探讨了一种使用机器学习找到最优配置并将搜索空间限制在这些配置中的方法，以应对系统运行期间不一致性的挑战，并在机器人任务中进行了实验。

    Mar, 2019

  • MLOps 环境下的质量保证：工业视角

    本研究为了解决工业生产系统中机器学习模型的质量检验问题，提出了基于模块化策略的数据完整性及数据质量的质量保证方法，并以工业合作案例为支撑，还提出了未来研究的几个挑战。

    Nov, 2022

  • MLSys: 机器学习系统的新前沿

    介绍 ML 系统在实际部署中的难点，并提出在传统系统和 ML 领域交叉的新兴研究方向：ML 系统的硬件和软件实现以及针对预测精度之外的指标进行的 ML 优化，同时介绍了一个新的会议 MLSys。

    Mar, 2019

  • 仪器与控制系统中集成的机器学习方法的动态模型无关可信度评估

    通过将数据监督引入机器学习预测模型，我们提出了一种实时模型无关的方法，评估机器学习预测的相对可靠性，并通过针对操作数据集与训练数据集之间的差异来计算预测的相对可靠性，用以支持机器学习预测在常规插值任务中的可信度。

    Aug, 2023

  • 边缘上的主动推理：一个设计研究

    机器学习在分布式计算系统中被广泛应用于解释和预测行为，特别是在物联网设备产生大量数据时，通过边缘设备进行数据处理和机器学习训练。为了保证服务质量，系统通过机器学习进行监督和动态调整。然而，如果机器学习模型长时间不进行重新训练，它们可能无法准确捕捉到变量分布的渐变变化，导致对系统状态的错误预测。此外，随着预测准确度的降低，报告设备应主动解决不确定性以提高模型的精确性。脑神经科学中的主动推理（Active Inference）概念可以提供这种自主决策的能力，它描述了大脑如何不断预测和评估感觉信息以减少长期的惊奇感。我们在一个智能制造案例中实现了这些概念，通过一个单一的行动 - 感知循环实现了分布式智能体，展示了我们的主动推理代理能够在满足服务质量要求的同时快速和可追溯地解决优化问题。

    Nov, 2023

  • 面对陷阱的在线机器学习自适应

    在线机器学习在自适应系统中应用广泛，但也存在一些陷阱，我们在智能农业场景中应用在线机器学习进行自适应时遇到了这些陷阱，并讨论了与其相关的规范和在线训练、对自适应的影响以及估算器评估的方法。我们总结了这些陷阱的概述，希望这些经验教训对其他研究人员和从业者在应用在线机器学习进行自适应时提供指导。

    Sep, 2023

  • 物联网的机器学习和软件建模的模型驱动方法

    本研究旨在提出一种综合方法，将软件工程和人工智能社区的模型结合起来，实现驱动智能系统的模型驱动软件开发，主要着重于物联网领域，并通过案例研究和用户评估验证了该方法的可行性和性能提升。

    Jul, 2021