Active Inference on the Edge: A Design Study

要約

機械学習 (ML) は、デバイス間のタスク分散を最適化するなど、分散コンピューティング システムの動作を解釈して予測するための一般的なツールです。
モノのインターネット (IoT) デバイスによって作成されるデータが増えるにつれて、データ処理と ML トレーニングは近接したエッジ デバイスによって実行されます。
これらの操作全体を通じてサービス品質 (QoS) を確保するために、システムは ML の助けを借りて監視され、動的に適応されます。
ただし、ML モデルが再トレーニングされない限り、変数分布の段階的な変化を捉えることができず、システム状態の不正確なビューにつながります。
さらに、予測精度が低下するため、レポート デバイスはモデルの精度を向上させるために不確実性を積極的に解決する必要があります。
このようなレベルの自己決定は、能動推論 (ACI) によって提供される可能性があります。能動推論 (ACI) は、脳が長期的な驚きを軽減するために感覚情報を常に予測および評価する方法を説明する神経科学の概念です。
私たちはこれらの概念を単一のアクションと認識のサイクルに包含し、スマート製造のユースケースで分散エージェント向けに実装しました。
その結果、ACI エージェントが QoS 要件を満たしながら最適化問題を迅速かつ追跡可能に解決できる方法を示しました。

要約(オリジナル)

Machine Learning (ML) is a common tool to interpret and predict the behavior of distributed computing systems, e.g., to optimize the task distribution between devices. As more and more data is created by Internet of Things (IoT) devices, data processing and ML training are carried out by edge devices in close proximity. To ensure Quality of Service (QoS) throughout these operations, systems are supervised and dynamically adapted with the help of ML. However, as long as ML models are not retrained, they fail to capture gradual shifts in the variable distribution, leading to an inaccurate view of the system state. Moreover, as the prediction accuracy decreases, the reporting device should actively resolve uncertainties to improve the model’s precision. Such a level of self-determination could be provided by Active Inference (ACI) — a concept from neuroscience that describes how the brain constantly predicts and evaluates sensory information to decrease long-term surprise. We encompassed these concepts in a single action-perception cycle, which we implemented for distributed agents in a smart manufacturing use case. As a result, we showed how our ACI agent was able to quickly and traceably solve an optimization problem while fulfilling QoS requirements.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google