Alfreds Lapkovskis
PulseAugur coverage of Alfreds Lapkovskis — every cluster mentioning Alfreds Lapkovskis across labs, papers, and developer communities, ranked by signal.
-
自适应AI任务划分框架可降低延迟和能耗
研究人员开发了一个新颖的框架，用于在异构边缘-云连续体中动态划分和卸载AI任务。这种自适应方法在包括Raspberry Pi、笔记本电脑和台式PC在内的真实硬件上进行了评估，其性能优于静态划分方法。该框架在启动时对模型进行分析，监控网络状况，并重新评估分区以优化运行时动态，从而显著降低了VGG16、AlexNet和MobileNetV2等流行卷积神经网络的能耗和端到端延迟。
-
新研究提出用于 AI 自动伸缩的用户辅助分布式推理
一篇新研究论文提出了一种协作分布式推理系统，该系统结合了专用基础设施和用户贡献的资源，以提高 AI 服务的可伸缩性和效率。该方法旨在通过利用志愿资源来补充基线容量来管理不断增长的需求，从而减少集中式基础设施成比例增长的需要。该系统使用生成式马尔可夫模型进行任务调度和 QoS 感知资源分配，在请求完成率和延迟方面表现出显著的改进，同时降低了专用资源消耗，尤其是在用户数量增加时。
-
主动推理控制器优化挑战性环境下的交通信号
研究人员开发了一种用于嘈杂且不可预测的物联网环境交通信号管理的主动推理控制器。该控制器通过最小化预期的自由能来动态选择信号相位，提供可追溯的决策过程。在交通模拟器中进行基准测试，在噪声和非平稳性增加的情况下，主动推理控制器在空闲时间和二氧化碳排放量方面优于基于规则的启发式方法和深度 Q 网络 (DQN)。
-
新代理框架利用因果推理解决灰色故障
研究人员推出 AURORA，一个旨在诊断和缓解计算环境中“灰色故障”的新型框架。该系统利用并行微代理，整合了自由能、因果推理和状态图的原理进行根本原因分析。AURORA 的双门控机制确保干预仅在具有高因果置信度和有界不确定性时发生，从而在实现 62% 的修复准确率的同时防止破坏性操作。
-
新的代理框架可高精度诊断计算系统故障
研究人员开发了 AURORA，一个旨在诊断和缓解计算系统中“灰色故障”的新框架。这个不确定性感知弹性微代理使用并行代理，集成因果推理和状态图来进行根本原因分析。AURORA 的双门控机制确保干预仅在因果置信度高且不确定性低时发生，否则会升级问题。实验表明，AURORA 的修复准确率为 62.0%，破坏性操作率为 0%，平均修复时间为 3 毫秒。