Effective ML Model Versioning in Edge Networks

要約

機械学習 (ML) モデル、データ、ソフトウェアは、必須のバージョン更新がリリースされ、統合が可能になるたびに定期的に更新する必要があります。
これは基本的ですが、システムのさまざまな制約と、更新が堅牢性と安定性に大きな影響を与える可能性があるため、エッジで満たすのは最も困難な要件です。
この論文では、ML モデルのバージョン管理の最適化問題を初めて定式化し、強化学習 (RL) ベースのアルゴリズムによる更新の自動化を含む効果的な解決策を提案します。
パフォーマンス、応答時間、セキュリティ、信頼性における既知の制約により、更新が特に困難になるため、エッジ ネットワーク環境を調査します。
パフォーマンス調査では、強化学習手法を使用してモデルのバージョン更新を完全かつ効果的に自動化できることが示されています。
サーバー負荷値のあらゆる範囲について、比較的短い応答時間を保証しながら、セキュリティ、信頼性、および/または ML モデルの精度を向上させる適切なバージョン管理が見つかることを示します。

要約(オリジナル)

Machine learning (ML) models, data and software need to be regularly updated whenever essential version updates are released and feasible for integration. This is a basic but most challenging requirement to satisfy in the edge, due to the various system constraints and the major impact that an update can have on robustness and stability. In this paper, we formulate for the first time the ML model versioning optimization problem, and propose effective solutions, including the update automation with reinforcement learning (RL) based algorithm. We study the edge network environment due to the known constraints in performance, response time, security, and reliability, which make updates especially challenging. The performance study shows that model version updates can be fully and effectively automated with reinforcement learning method. We show that for every range of server load values, the proper versioning can be found that improves security, reliability and/or ML model accuracy, while assuring a comparably lower response time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google