关于连续学习的样本选择：一个视频流案例研究
网络与互联网体系结构
2024-05-17 v1
摘要
机器学习(ML)是建模通信网络复杂性的强大工具。随着网络演变，我们不能仅训练一次后部署。所谓连续学习，即不断训练模型，是必要的。然而迄今为止尚无成熟方法来回答关键问题：应使用哪些样本进行再训练？何时进行再训练？我们提出了Memento样本选择系统，该系统维护一组训练集，以“最有用”的样本为目标，以最大化样本空间覆盖率。Memento尤其有利于稀有模式——网络中的“尾部”长期存在——并允许合理评估何时进行再训练有益，即当覆盖率发生变化时。我们将Memento部署在Puffer项目（live-TV 直播流）上，实现了14%的停机时间降低，相较于随机样本选择提升了3.5倍。最后，Memento不依赖特定模型架构，可能在其他基于ML的网络应用中也能获得收益。
引用
@article{arxiv.2405.10290,
title = {On Sample Selection for Continual Learning: a Video Streaming Case Study},
author = {Alexander Dietmüller and Romain Jacob and Laurent Vanbever},
journal= {arXiv preprint arXiv:2405.10290},
year = {2024}
}