mliot: یک سیستم یادگیری ماشین پایان به پایان برای اینترنت

سودرسان بوواراغاوان

نمایه مشاهده دانشگاه کارنگی ملون

Anurag Maravi

نمایه مشاهده دانشگاه کارنگی ملون

Prahaladha Mallala

نمایه مشاهده دانشگاه کارنگی ملون

یوروج آگاروال

نمایه مشاهده دانشگاه کارنگی ملون

منتشر شده: 18 مه 2021 تاریخ انتشار

• 5 استناد
• 558
• بارگیری

معیارهای

کل استناد 5

کل بارگیری 558

12 ماه گذشته 241

6 هفته گذشته 54

• هشدارهای استناد را دریافت کنید

هشدار استناد جدید اضافه شد!

این هشدار با موفقیت اضافه شده است و به شما ارسال می شود: هر زمان که رکوردی که انتخاب کرده اید استناد شده است ، به شما اطلاع داده می شود.

برای مدیریت تنظیمات برگزیده هشدار خود ، روی دکمه زیر کلیک کنید. هشدارهای من را مدیریت کنید

هشدار استناد جدید!

لطفا وارد حساب کاربری خود شوید

صرفه جویی در اتصال

نام

IoTDI '21: مجموعه مقالات کنفرانس بین المللی طراحی و اجرای این اینترنت

mliot: یک سیستم یادگیری ماشین پایان به پایان برای اینترنت

صفحات 169-181

خلاصه

برنامه های مدرن اینترنت اشیاء (IoT) ، از سنجش متنی گرفته تا دستیاران صوتی ، به آموزش های مبتنی بر ML و سیستم های خدمت با استفاده از مدل های از پیش آموزش داده شده برای ارائه پیش بینی ها متکی هستند. با این حال ، محیط های IoT در دنیای واقعی متنوع هستند ، با سنسورهای IoT غنی و به مدل های ML نیاز دارند تا با استفاده از داده های آموزش نسبتاً کمتری برای هر تنظیم شخصی شوند. بیشتر سیستم های ML با هدف عمومی موجود برای منابع سخت افزاری خاص و اختصاصی بهینه شده و با منابع در حال تغییر و الزامات مختلف برنامه IoT سازگار نیستند. برای پرداختن به این شکاف ، ما MLIOT را پیشنهاد می کنیم ، یک سیستم یادگیری ماشین پایان به انتهایی متناسب با پشتیبانی از کل چرخه عمر برنامه های IoT. MLIOT با منابع مختلف داده IoT ، کارهای IoT و محاسبه منابع با آموزش خودکار ، بهینه سازی و ارائه مدل ها بر اساس سیاست های خاص برنامه کاربردی سازگار است. Mliot همچنین با فعال کردن آموزش مجدد ، با تغییرات در محیط های IoT یا محاسبه منابع سازگار است و به روزرسانی مدلهای ارائه شده در پرواز ضمن حفظ دقت و عملکرد. ارزیابی ما در مجموعه ای از معیارها نشان می دهد که MLIOT می تواند چندین کار IoT را انجام دهد ، هرکدام با نیازهای فردی ، به روش مقیاس پذیر و در عین حال حفظ دقت و عملکرد بالا. ما MLIOT را با دو سیستم مرتب و مرتب و یک سیستم ML تجاری مقایسه می کنیم که نشان می دهد MLIOT ضمن کاهش یا حفظ تأخیر ، دقت را از 50 ٪-75 ٪ بهبود می بخشد.

منابع

1. مارتین آبادی و همکاران2016. TensorFlow: سیستمی برای یادگیری ماشینی در مقیاس بزرگ. در Proc. از دوازدهمین کنفرانس USENIX در مورد طراحی و پیاده سازی سیستم های عامل (ساوانا، GA، ایالات متحده آمریکا) (OSDI'16). انجمن USENIX، ایالات متحده آمریکا، 265--283. Google Scholar
2. زیشان احمد و همکاران. 2019. یادگیری ماشین در مایکروسافت با ML. خالص. در Proc. از 25th ACM SIGKDD Inteat. کنفرانس کشف دانش و داده کاوی. ACM، نیویورک، نیویورک، ایالات متحده آمریکا، 2448--2458. Google Scholar
3. آمازون. 2020. الکسا چیست؟https://developer. amazon. com/en-US/alexa. Google Scholar
4. آمازون AWS. 2020. آمازون Rekognition - ویدئو و تصویر - AWS. https://aws. amazon. com/rekognition. Google Scholar
5. آمازون AWS. 2020. اینترنت اشیا گرین گراس. https://aws. amazon. com/greengrass/. Google Scholar
6. دنیس بیلور و همکاران2017. TFX: پلتفرم یادگیری ماشینی در مقیاس تولید مبتنی بر TensorFlow. در Proc. از 23th ACM SIGKDD Inteat. کنفرانس در مورد KDD (هالیفاکس، NS، کانادا) (KDD '17). ACM، نیویورک، نیویورک، ایالات متحده آمریکا، 1387--1395. https://doi. org/10. 1145/3097983. 3098021 Google Scholar
7. جیمز برگسترا و یوشوا بنجیو. 2012. جستجوی تصادفی برای بهینه سازی هایپرپارامتر. مجله تحقیقات یادگیری ماشین 13، فوریه (2012)، 281--305. کتابخانه دیجیتالی Google Scholar
8. آندریاس بولینگ، جیمی آ وارد، هانس گلرسن و گرهارد تروستر. 2010. تجزیه و تحلیل حرکت چشم برای تشخیص فعالیت با استفاده از الکترواکولوگرافی. تراکنش های IEEE بر روی تجزیه و تحلیل الگو و هوش ماشینی 33، 4 (2010)، 741--753. Google Scholar
9. Cgroups. 2020. گروه های کنترل --- هسته لینوکس. https://www. keel. org/doc/html/latest/admin-guide/cgroup-v1/cgroups. html. Google Scholar
10. کارل چالمرز، پل فرگوس و همکاران. 2020. تشخیص فعالیت های زندگی روزمره و رفتارهای معمول در بیماران زوال عقل که به تنهایی زندگی می کنند با استفاده از تفکیک بار سنج هوشمند. معاملات IEEE در موضوعات نوظهور در محاسبات (2020). Google Scholar
11. تریشول چیلیمبی و همکاران2014. پروژه آدام: ساختن یک سیستم آموزش عمیق یادگیری کارآمد و مقیاس پذیر. در Proc. یازدهمین کنفرانس USENIX در مورد طراحی و پیاده سازی سیستم های عامل (Broomfield, CO) (OSDI'14). انجمن USENIX، ایالات متحده آمریکا، 571--582. Google Scholar
12. جورجیو کونته و همکاران2014. BlueSentinel: اولین رویکرد با استفاده از IBeacon برای یک سیستم تشخیص اشغال کارآمد انرژی. در مجموعه مقالات اولین کنفرانس ACM در مورد سیستم های تعبیه شده برای ساختمان های کارآمد انرژی (ممفیس، تنسی) (BuildSys '14). انجمن ماشین های محاسباتی، نیویورک، نیویورک، ایالات متحده آمریکا، 11--19. https://doi. org/10. 1145/2676061. 2674078 Google Scholar
13. Daniel Crankshaw و همکاران. 2014. قطعه گمشده در تجزیه و تحلیل پیچیده: تأخیر کم ، مدیریت مدل مقیاس پذیر و خدمت با Velox. Corr ABS/1409. 3809 (2014). ARXIV: 1409. 3809 http://arxiv. org/abs/1409. 3809 Google Scholar
14. Daniel Crankshaw و همکاران. 2017. Clipper: یک سیستم پیش بینی آنلاین با تأخیر. در Proc. از چهاردهمین Usenix Conf. در طراحی و اجرای سیستم های شبکه ای (بوستون ، MA ، ایالات متحده) (NSDI'17). انجمن Usenix ، ایالات متحده ، 613--627. گوگل دانشکده
15. Daniel Crankshaw و همکاران. 2018. زیرزمین: چارچوب ترکیب خط لوله استنتاج ML. Corr Abs (2018). ARXIV: 1812. 01776 http://arxiv. org/abs/1812. 01776 Google Scholar
16. اورتون د ماتوس و همکاران. 2020. به اشتراک گذاری اطلاعات زمینه برای اینترنت اشیاء: یک نظرسنجی. شبکه های رایانه ای 166 (2020) ، 106988. کتابخانه Google Scholardigital
17. جفری دین و همکاران. 2012. شبکه های عمیق در مقیاس بزرگ توزیع شده است. در پیشرفت در سیستم های پردازش اطلاعات عصبی. 1223--1231. گوگل دانشکده
18. مسیحی دبس و همکاران. 2016. فعالیت های نظارت بر زندگی روزمره در خانه های هوشمند: درک رفتار انسان. فرآیند سیگنال IEEE. مگس33 ، 2 (2016) ، 81--94. Google Scholarcross Ref
19. توماس جی دیتتریش. 2000. روش های گروه در یادگیری ماشین. در بین المللیکارگاه آموزشی چندین سیستم طبقه بندی کننده. اسپرینگر ، 1-15. Google Scholarcross Ref
20. محمد فیصل الراوی ، علی اسماعیل آواد و هشام اف. ا. حامد. 2018. سیستم های تشخیص نفوذ برای محیط های هوشمند مبتنی بر IoT: یک نظرسنجی. 7 ، 1 ، ماده 123 (دسامبر 2018) ، 20 صفحه. https://doi. org/10. 1186/S13677-018-0123-6 Google Scholar
21. Antti J Eronen و همکاران. 2005. شناخت متن مبتنی بر صدا. معاملات IEEE در پردازش صوتی ، گفتار و زبان 14 ، 1 (2005) ، 321-329. کتابخانه Scholardigital Google
22. آنتونی فلوری و همکاران. 2010. طبقه بندی مولتییمال مبتنی بر SVM از فعالیت های زندگی روزمره در خانه های هوشمند سلامت: سنسورها ، الگوریتم ها و نتایج آزمایشی اول. ترانس. اطلاعاتفناوری. زیستی14 ، 2 (مارس 2010) ، 274--283. https://doi. org/10. 1109/titb. 2009. 2037317 Google Scholar
23. دانیل گلووین و همکاران. 2017. Google Vizier: خدماتی برای بهینه سازی جعبه سیاه. در Proc. از 23 ACM Sigkdd Inteat. کنفرانس KDD. 1487--1495. گوگل دانشکده
24. گوگل. 2020. هسته Tensorflow |یادگیری ماشین برای مبتدیان و متخصصان. https://www. tensorflow. org/overview. گوگل دانشکده
25. Google Cloud. 2020. Automl Cloud. https://cloud. google. com/automl. گوگل دانشکده
26. Google Cloud. 2020. بینش از طریق ML. https://cloud. google. com/vision. گوگل دانشکده
27. Google Nest. 2020. بلندگوها و نمایشگرهای هوشمند Google Nest - Google Store. https://store. google. com/product/google_home. گوگل دانشکده
28. تحقیقات گوگل. 2020. مرجان: ابزار ابزار برای ساخت محصولات AI. https://coral. ai/. گوگل دانشکده
29. GRPC2020. GRPC-OVERVIEW. https://grpc. io/docs/. گوگل دانشکده
30. Sidhant Gupta و همکاران. 2010. Electrisense: سنجش تک نقطه ای با استفاده از EMI برای تشخیص و طبقه بندی رویدادهای الکتریکی در خانه. در Proc. از دوازدهم ACM Inteat. کنفرانس محاسبات همه جا (کپنهاگ ، دانمارک) (Ubicomp '10). ACM ، نیویورک ، نیویورک ، ایالات متحده ، 139--148. https://doi. org/10. 1145/1864349. 1864375 Google Scholar
31. S. Hershey ، S. Chaudhuri ، D. P. W. Ellis ، J. F. Gemmeke ، A. Jansen ، R. C. Moore ، et al. 2017. معماری CNN برای طبقه بندی صوتی در مقیاس بزرگ. در سال 2017 IEEE Inteat. کنفرانس آکوستیک ، پردازش گفتار و سیگنال (ICASSP). 131--135. https://doi. org/10. 1109/icassp. 2017. 7952132 کتابخانه Scholardigital Google
32. پیتر هویسی و همکاران. 2014. نظارت بر فعالیت های خانگی و موقعیت مکانی کاربر با یک آرایه سنسور حرارتی ارزان و بدون محاصره. در Proc. از ACM Inteat 2014. کنفرانس مشترک محاسبات فراگیر و همه جا. 141--145. گوگل دانشکده
33. اینتل2020. Intel® Neural Compute Stick: یک کیت توسعه پلاگین و بازی برای استنتاج هوش مصنوعی. https://software. intel. com/en-us/neural-compute-stick. گوگل دانشکده
34. جفری دان. 2020. جریان Fbleaer: ستون فقرات AI فیس بوک. https://engineering. fb. com/core-data/introducing-fbleaer-flow-facebook-s-ai-backbone/. گوگل دانشکده
35. جرمی هرمان و دیگران. 2020. با میکل آنژلو ملاقات کنید: پلت فرم یادگیری ماشین Uber. https://eng. uber. com/michelangelo-machine-leaing-platform/. گوگل دانشکده
36. ایان تی جولیف. 1986. مؤلفه های اصلی در تجزیه و تحلیل رگرسیون. در تجزیه و تحلیل مؤلفه اصلی. Springer ، 129--155. گوگل دانشکده
37. Rushil Khurana و همکاران. 2018. Gymcam: تشخیص ، شناخت و ردیابی تمرینات همزمان در صحنه های بدون محدودیت. مجموعه مقالات ACM در فن آوری های تعاملی ، موبایل ، پوشیدنی و همه جا 2 ، 4 (2018) ، 1--17. کتابخانه Scholardigital Google
38. جیراد لاپوت ، کاران آهوجا ، مایانک گول و کریس هریسون. 2018. Ubicoustics: تشخیص فعالیت صوتی پلاگین و بازی. در Proc. از سی و یکمین سمپوزیوم سالانه ACM در مورد UIST (برلین ، آلمان) (UIST '18). ACM ، نیویورک ، نیویورک ، ایالات متحده ، 213--224. https://doi. org/10. 1145/3242587. 3242609 کتابخانه Scholardigital Google
39. جیراد لاپوت ، یانگ ژانگ و کریس هریسون. 2017. سنسورهای مصنوعی: به سمت سنجش عمومی. در Proc. کنفرانس CHI 2017 در مورد عوامل انسانی در سیستم های محاسباتی (دنور ، کلرادو ، ایالات متحده) (Chi '17). ACM ، نیویورک ، نیویورک ، ایالات متحده ، 3986--3999. https://doi. org/10. 1145/3025453. 3025773 Google Scholardigital کتابخانه
40. Ya Lecun و Coria Cortes. 2010. پایگاه داده دیجیتالی دست نویس Mnist. http://ya. lecun. com/exdb/mnist/.(2010). http://ya. lecun. com/exdb/mnist/ Google Scholar
41. شین لی ، اندرو ارشد ، الکساندر گرونشتاین و جفری سورنسن. 2013. تشخیص گفتار واژگان بزرگ دقیق و جمع و جور در دستگاه های تلفن همراه.(2013). گوگل دانشکده
42. مو لی و همکاران. 2014. مقیاس بندی یادگیری ماشین توزیع شده با سرور پارامتر (OSDI '14). انجمن Usenix ، ایالات متحده ، 583--598. گوگل دانشکده
43. لورنس ون در مااتن و جفری هینتون. 2008. تجسم داده ها با استفاده از T-SNE. مجله تحقیقات یادگیری ماشین 9 ، نوامبر (2008) ، 2579--2605. گوگل دانشکده
44. محمد سعید مهدویجاد و همکاران. 2018. یادگیری ماشین برای اینترنت چیزها تجزیه و تحلیل داده ها: یک نظرسنجی. ارتباطات دیجیتال و شبکه های 4 ، 3 (2018) ، 161-175. Google Scholarcross Ref
45. P. McCullagh و همکاران. 1989. مدل های خطی عمومی. چاپمن و هال ، لندن. گوگل دانشکده
46. Leland McIes ، John Healy ، Nathaniel Saul و Lukas Großberger. 2018. UMAP: تقریب و پیش بینی منیفولد یکنواخت. مجله نرم افزار منبع باز 3 ، 29 (2018). https://doi. org/10. 21105/joss. 00861 Google Scholarcross Ref
47. مایکروسافت2020. لاجورد IoT. https://azure. microsoft. com/en-us/overview/iot/. گوگل دانشکده
48. سباستین میکا و همکاران. 1998. هسته PCA و De-Noising در فضاهای ویژگی (NIPS'98). MIT Press ، کمبریج ، MA ، ایالات متحده ، 536--542. گوگل دانشکده
49. MITES. IO. 2020. MITES. IO: یک سکوی سنجش همه جا تمام عیار. https://mites. io/. گوگل دانشکده
50. nvidia2020. کیت توسعه دهنده Jetson Nano. https://developer. nvidia. com/embedded/jetson-nano-developer-kit. گوگل دانشکده
51. کریستوفر اولستون ، نوح فیدل ، و همکاران. 2017. Tensorflow-Perving: انعطاف پذیر و با کارایی بالا ML خدمت. Arxiv preprint arxiv: 1712. 06139 (2017). گوگل دانشکده
52. آدام پاسکه و همکاران. 2017. تمایز خودکار در Pytorch.(2017). گوگل دانشکده
53. F. Pedregosa ، G. Varoquaux ، et al. 2011. Scikit-Lea: یادگیری ماشین در پایتون. مجله تحقیقات یادگیری ماشین 12 (2011) ، 2825--2830. کتابخانه Scholardigital Google
54. بنیاد تمشک پی. 2020. Raspberry Pi 4 مدل B. https://www. raspberrypi. org/products/raspberry-pi-4-model-b/. گوگل دانشکده
55. جوزف ردمون و همکاران. 2016. شما فقط یک بار نگاه می کنید: تشخیص شیء یکپارچه ، در زمان واقعی. در Proc. کنفرانس IEEE در مورد دید رایانه و تشخیص الگوی. IEEE ، لاس وگاس ، NV ، ایالات متحده ، 779--788. گوگل دانشکده
56. Shaoqing Ren ، Kaiming He ، Ross Girshick و Jian Sun. 2015. سریعتر R-CNN: به سمت تشخیص شیء در زمان واقعی با شبکه های پیشنهادی منطقه. در پیشرفت در سیستم های پردازش اطلاعات عصبی. IEEE ، مونترال ، کبک ، کانادا ، 91-99. کتابخانه Scholardigital Google
57. Manaswi Saha و همکاران. 2014. EnergyLens: ترکیب تلفن های هوشمند با سنج برق برای تشخیص دقیق فعالیت و حاشیه نویسی کاربر. در مجموعه مقالات پنجمین کنفرانس بین المللی سیستم های انرژی آینده (کمبریج ، انگلستان) (E-Energy '14). انجمن ماشین آلات محاسبات ، نیویورک ، نیویورک ، ایالات متحده ، 289--300. https://doi. org/10. 1145/2602044. 2602058 Google Scholar
58. سامسونگ2020. SmartThings. https://www. smartthings. com. گوگل دانشکده
59. Sandilands. 2020. شبکه مجازی. https://sandilands. info/sgordon/virtnet. گوگل دانشکده
60. Vin de Silva و Joshua B. Tenenbaum. 2002. روشهای جهانی در مقابل محلی در کاهش ابعاد غیرخطی. در پیشرفت در سیستم های پردازش اطلاعات عصبی (NIPS'02). MIT Press ، کمبریج ، MA ، ایالات متحده ، 721--728. گوگل دانشکده
61. جاسپر اسنوک و همکاران. 2012. بهینه سازی عملی بیزی الگوریتم های یادگیری ماشین. در پیشرفت در سیستم های پردازش اطلاعات عصبی. Curran Associates ، Inc. ، Lake Tahoe ، NV ، 2951--2959. گوگل دانشکده
62. M. Song ، H. Li ، and H. Wu. 2015. یک معماری متعادل کننده بار غیرمتمرکز برای سیستم حافظه پنهان. در سال 2015 Inteat. کنفرانس محاسبات توزیع شده و کشف دانش توزیع شده. IEEE ، Xi'an ، چین ، 114--119. https://doi. org/10. 1109/cyberc. 2015. 44 Google Scholar
63. Evan R Sparks ، Shivaram Venkataraman ، Tomer Kaftan ، Michael J Franklin و Benjamin Recht. 2017. Keystoneml: بهینه سازی خطوط لوله برای تجزیه و تحلیل پیشرفته در مقیاس بزرگ. در سال 2017 IEEE 33 Inteat. کنفرانس مهندسی داده ها (ICDE). IEEE ، IEEE ، نیویورک ، نیویورک ، ایالات متحده ، 535--546. Google Scholarcross Ref
64. ادوارد جی وانگ و همکاران. 2015. Magnifisense: تعامل دستگاه استنباط با استفاده از سنسورهای مبهم و انسداد منفعل مچ دست. در Proc. از ACM Inteat 2015. کنفرانس مشترک در مورد محاسبات فراگیر و همه جا (اوزاکا ، ژاپن) (Ubicomp '15). ACM ، نیویورک ، نیویورک ، ایالات متحده ، 15--26. https://doi. org/10. 1145/2750858. 2804271 Google Scholar
65. وی وانگ ، جینیانگ گائو ، Meihui Zhang ، et al. 2018. رافیکی: یادگیری ماشین به عنوان یک سیستم خدمات تحلیلی. پروکendow vldb. 12 ، 2 (اکتبر 2018) ، 128--140. https://doi. org/10. 14778/3282495. 3282499 کتابخانه Scholardigital Google
66. Doris Xin ، Stephen Macke ، Litian MA ، Jialin Liu ، Shuchen Song و Aditya Parameswaran. 2018. Helix: بهینه سازی جامع برای تسریع در یادگیری ماشین تکراری. پروکendow vldb. 12 ، 4 (دسامبر 2018) ، 446--460. https://doi. org/10. 14778/3297753. 3297763 کتابخانه Scholardigital Google
67. M. Xu ، S. Alamro ، T. Lan و S. Subramaniam. 2017. لیزر: یک رویکرد یادگیری عمیق برای اجرای سوداگرانه و تکثیر مشاغل مهم و مهم در ابر. در سال 2017 26th Inteat. کنفرانس Comp. کام. و شبکه ها (ICCCN). IEEE ، ونکوور ، قبل از میلاد ، 1--8. https://doi. org/10. 1109/icccn. 2017. 8038373 Google Scholar
68. ماتی زاهاریا و همکاران. 2012. مجموعه داده های توزیع شده انعطاف پذیر: انتزاع تحمل گسل برای محاسبات خوشه ای در حافظه. در Proc. از نهمین کنفرانس USENIX در مورد طراحی و اجرای سیستم های شبکه ای (سان خوزه ، کالیفرنیا) (NSDI'12). انجمن Usenix ، ایالات متحده ، 2. Google Scholar
69. ماتی زاهاریا و همکاران. 2018. تسریع در چرخه چرخه یادگیری ماشین با MLFlow. ENG DATA IEEE. گاو نر41 ، 4 (2018) ، 39--45. گوگل دانشکده