Machine Learning Service Recommendation Based on Accuracy Related QoS Attributes
Notice bibliographique
Résumé
Machine Learning (ML) is a topic of interest in computer science. Amazon AWS, Google Cloud and Microsoft Azure are examples of cloud platforms that provide ML services. Analysts can easily analyze data using online ML services, and most of the model processing is done using cloud services to provide fast and reliable results. Many of these services offer similar functionalities, and the challenge is how to select the best service for the data. Traditional approaches for service-selection depend only on general understanding of the service functionality. A better way is to consider both functional and non-functional requirements. Functional requirements determine overall behaviour of a service. Non-functional requirements establish how relevant a service is to the user’s query and refer to the Quality of Service (QoS) attribute. QoS- based service-selection has been studied in the service computing community for some time. However, characteristics of the input dataset are not usually considered in the selection process even though they might affect the QoS values of the service. In this dissertation, we investigate the impact of adding dataset features and other side information on the performance of QoS prediction and service recommendation. We focus on ML services since their QoS values are potentially highly dependent on the dataset. We propose two approaches for ML service recommendation and compare their performances. The first approach uses factorization for web service recommendation. We identify latent features of the datasets and the services and then recommend services by exploiting these latent variables. The second approach uses neural networks to identify latent features. We also integrate two sets of side information (dataset and service) in both approaches, and study the effect of these added features. In the experiment, we test our system using the real QoS data of 24 classification models running on 390 datasets downloaded from OpenML. In both implementations, models with side information outperform the basic model. To guarantee the best performance for our model, adding side information is necessary, which increases the predictive accuracy by 5% to 25%. Thus, we recommend integrating the side information in recommender systems, specifically including dataset features when recommending ML services.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».