文献

J-GLOBAL ID：201702266271974269   整理番号：17A1274396

強化学習を用いたモバイルデバイスのための低メモリキラーの最適化【Powered by NICT】

Optimizing low memory killers for mobile devices using reinforcement learning

著者 (3件)： Li Cong (Intel Corporation, United States of America) ,  Bao Jia (Intel Corporation, United States of America) ,  Wang Haitao (Intel Corporation, United States of America)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： IWCMC 2017  ページ： 2169-2174  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： レガシーシステムにおけるメモリ管理機構とは異なり,モバイル機器ではapp発射性能を加速するappキャッシングの利用のレバレッジを行った。キャッシュappプロセスは低メモリ制約のために過去に殺していれば最近使用されるappに戻るの反応性が有意に悪かった。強化学習による低メモリキラーを最適化するための新しいアプローチを提案した。新しい低メモリキラーは,不確実な環境における自律意思決定者として作用し,連続的にメモリ管理のための様々な指標と計量を観察し,プロセス致死の意思決定を行い,また意思決定環境からペナルティとしてapp打上げ待ち時間をした。試行錯誤探索により,キラーは動的環境と相互作用し,長期的に期待されるapp打上げ待ち時間を最適化強化学習により,全体的な政策を自動的に学習することができる。予備実験の結果は,この新しい方法が,app発射性能を改善する一貫して有意にベースラインより勝っていることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 意思決定者 ,  待ち時間 ,  *記憶装置 ,  *強化学習 ,  記憶管理 ,  意思決定 ,  相互作用 ,  不確実性 ,  *最適化 ,  ペナルティ ,  キャッシュメモリ
準シソーラス用語： 動的環境 ,  キャッシング ,  レガシーシステム ,  *モバイルデバイス , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 強化学習 ,  モバイルデバイス ,  最適化