高性价比 MLaaS 联邦：一种组合强化学习方法
机器学习
2022-05-02 v1 多媒体
摘要
随着深度学习技术的发展，主流云服务商与细分机器学习服务商开始向公众提供其基于云的机器学习工具，亦称机器学习即服务(MLaaS)。根据我们的测量，对于相同任务，不同提供商的这些 MLaaS 因专有数据集、模型等而具有各异的性能。将不同 MLaaS 联邦起来可进一步提升分析性能。然而，朴素地聚合不同 MLaaS 的结果不仅带来显著的货币成本，还可能因引入可能的假阳性结果而导致次优的性能增益。在本文中，我们提出 Armol，一个联邦恰当选择的 MLaaS 提供商以实现最佳可能分析性能的框架。我们首先设计一种词分组算法以统一不同提供商的输出标签。随后我们提出一种基于深度组合强化学习的方法，在最小化成本的同时最大化准确率。所选提供商的预测随后通过精心选择的集成策略聚合在一起。真实世界轨迹驱动的评估进一步表明，Armol 能够以少 的推理成本实现相同的准确率结果。
引用
@article{arxiv.2204.13971,
title = {Cost Effective MLaaS Federation: A Combinatorial Reinforcement Learning Approach},
author = {Shuzhao Xie and Yuan Xue and Yifei Zhu and Zhi Wang},
journal= {arXiv preprint arXiv:2204.13971},
year = {2022}
}