Adaptive Active Inference Agents for Heterogeneous and Lifelong Federated Learning
Created by
- Haebom
Category
Empty
저자
Anastasiya Danilenka, Alireza Furutanpey, Victor Casamayor Pujol, Boris Sedlak, Anna Lackinger, Maria Ganzha, Marcin Paprzycki, Schahram Dustdar
개요
본 논문은 퍼베이시브 컴퓨팅에서의 이질성과 예측 불가능성 문제를 해결하기 위해 능동 추론(Active Inference, AIF) 프레임워크를 활용한 개념적 에이전트를 제안합니다. 기존의 적응형 시스템이 저수준의 서비스 수준 목표(SLOs)에 집중하는 것과 달리, 본 논문에서 제안하는 에이전트는 고수준의 SLOs를 설정하여 시스템 전반의 제약 조건을 관리합니다. 저수준 SLOs를 수동으로 설정하는 대신, 시스템은 환경 변화에 적응할 수 있는 균형점을 찾습니다. 이질적인 장치로 구성된 물리적 테스트베드에서 수행된 실험을 통해, 제안된 AIF 에이전트가 환경 변화에 적응하고, 자원의 이질성에도 불구하고 최대 98%의 SLO 충족률을 달성함을 보여줍니다. 특히, 평생 연합 학습(lifelong federated learning) 시나리오를 활용하여 실험의 타당성을 검증했습니다.
시사점, 한계점
•
시사점:
◦
퍼베이시브 컴퓨팅 시스템의 이질성과 예측 불가능성 문제에 대한 새로운 접근 방식 제시.
◦
고수준 SLOs를 통해 시스템 관리의 복잡성을 줄이고 적응성을 향상.
◦
AIF 에이전트를 활용하여 환경 변화에 대한 시스템의 자율적인 적응 가능성을 입증.
◦
실제 환경에서의 실험을 통해 제안된 방법의 효과성을 검증.
◦
평생 연합 학습과 같은 실제 응용 시나리오에 대한 적용 가능성을 제시.
•
한계점:
◦
제안된 에이전트의 일반화 성능에 대한 추가적인 연구 필요.
◦
다양한 종류의 퍼베이시브 컴퓨팅 시스템에 대한 적용 가능성 검증 필요.
◦
AIF 에이전트의 계산 비용 및 성능 최적화에 대한 추가적인 연구 필요.
◦
테스트베드의 규모와 다양성이 제한적일 수 있음.
