机构名称：
¥ 1.0
近年来，人们对使用机器学习（ML）来应对计算机系统的挑战越来越兴趣。这是由现代系统的复杂性日益复杂以及ML在具有相似复杂性的视觉和自然语言任务中的有效性所激发的。先前的工作已经提出了使用ML进行调度，资源管理，电源管理，调试，内存分配和编译器优化的有效性[1]，[2]，[3]，[4]。尽管在系统中使用ML，但仍有三个主要问题阻碍了其广泛采用。首先是ML模型的解释性或解释性。许多型号充当黑匣子，因此很难从它们中提取有用的见解并在不按预期工作时调试它们。第二个问题是可伸缩性。随着ML模型变得更大，其执行必须扩展到各自的系统设置。最后关注的是ML模型的普遍性。可推广性是指该模型在与其统计属性（例如独立性和相同分布（ID））中与其训练数据不同的数据上表现良好的能力。这是动态变化的环境中的问题。一个特定的示例是一个云环境，该系统由于工作负载高而越来越多的异质硬件而经常发生变化。可解释性和可伸缩性从系统社区获得了显着意义，先前的工作评估了它们对这些指标的建议[1]，[2]，[5]。但是，模型的普遍性尚未受到类似的关注。mL模型依赖于他们的训练和测试数据是独立且分布相同（IID）的假设。当违反此假设时，模型的性能很差。鉴于部署在云环境中的模型通常会遇到违反IID假设的数据，因此对
通用性在机器学习中的重要性
主要关键词
相关文件推荐
