Workload Allocation for Distributed Coded Machine Learning: From Offline Model-Based to Online Model-Free
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Distributed machine learning (ML) is an important Internet-of-Things (IoT) application. In traditional partitioned learning (PL) paradigm, a coordinator divides a high-dimensional dataset into subsets, which are processed on IoT devices. The execution time of PL can be seriously bottlenecked by slow devices named stragglers. To mitigate the negative impact of stragglers, distributed coded machine learning (DCML) was recently proposed to inject redundancy into the subsets using coding techniques. With this redundancy, the coordinator no longer requires the processing results from all devices, but only from a subgroup, where stragglers can be eliminated. This article aims to bring the burgeoning field of DCML to the wider community. After outlining the principles of DCML, we focus on its workload allocation, which addresses the appropriate level of injected redundancy to minimize the overall execution time. We highlight the fundamental trade-off and point out two critical design choices in workload allocation: model-based versus model-free, and offline versus online. Despite the predominance of offline model-based approaches in the literature, online model-based approaches also have a wide array of use case scenarios, but remain largely unexplored. At the end of the article, we propose the first online model-free workload allocation scheme for DCML, and identify future paths and opportunities along this direction.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle