Fugu-MT 論文翻訳(概要): Learning Augmented Energy Minimization via Speed Scaling

論文の概要: Learning Augmented Energy Minimization via Speed Scaling

arxiv url: http://arxiv.org/abs/2010.11629v1
Date: Thu, 22 Oct 2020 11:58:01 GMT
ステータス: 処理完了
システム内更新日: 2022-10-04 08:11:08.299318
Title: Learning Augmented Energy Minimization via Speed Scaling
Title（参考訳）: スピードスケーリングによるエネルギー最小化の学習
Authors: \'Etienne Bamas, Andreas Maggiori, Lars Rohwedder, Ola Svensson
Abstract要約: 本稿では,従来のオンラインのスピードスケーリング問題において,未来に関する機械学習予測を自然に統合する手法について検討する。学習強化オンラインアルゴリズムの最近の研究に触発されて,予測をブラックボックス方式で組み込んだアルゴリズムを提案し,精度の高いオンラインアルゴリズムよりも優れていることを示す。
参考スコア（独自算出の注目度）: 11.47280189685449
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As power management has become a primary concern in modern data centers, computing resources are being scaled dynamically to minimize energy consumption. We initiate the study of a variant of the classic online speed scaling problem, in which machine learning predictions about the future can be integrated naturally. Inspired by recent work on learning-augmented online algorithms, we propose an algorithm which incorporates predictions in a black-box manner and outperforms any online algorithm if the accuracy is high, yet maintains provable guarantees if the prediction is very inaccurate. We provide both theoretical and experimental evidence to support our claims.
Abstract（参考訳）: 現代のデータセンターでは電力管理が主要な関心事となっているため、コンピューティング資源はエネルギー消費を最小限に抑えるために動的にスケールされている。我々は、従来のオンラインのスピードスケーリング問題において、未来に関する機械学習予測を自然に統合できる変種の研究を開始する。学習強化オンラインアルゴリズムの最近の研究に触発されて,予測をブラックボックス方式で組み込んだアルゴリズムを提案し,精度が高ければ任意のオンラインアルゴリズムを上回り,予測が極めて不正確であれば証明可能な保証を維持する。我々は、我々の主張を支持する理論的および実験的証拠を提供する。

関連論文リスト

Predicting Probabilities of Error to Combine Quantization and Early Exiting: QuEE [68.6018458996143]
本稿では,量子化と早期出口動的ネットワークを組み合わせたより一般的な動的ネットワークQuEEを提案する。我々のアルゴリズムは、ソフトアーリーエグジットや入力依存圧縮の一形態と見なすことができる。提案手法の重要な要素は、さらなる計算によって実現可能な潜在的な精度向上の正確な予測である。
論文参考訳（メタデータ） (2024-06-20T15:25:13Z)
Learning-Augmented Algorithms with Explicit Predictors [67.02156211760415]
アルゴリズム設計の最近の進歩は、過去のデータと現在のデータから得られた機械学習モデルによる予測の活用方法を示している。この文脈における以前の研究は、予測器が過去のデータに基づいて事前訓練され、ブラックボックスとして使用されるパラダイムに焦点を当てていた。本研究では,予測器を解き,アルゴリズムの課題の中で生じる学習問題を統合する。
論文参考訳（メタデータ） (2024-03-12T08:40:21Z)
EANet: Expert Attention Network for Online Trajectory Prediction [5.600280639034753]
Expert Attention Networkは、軌道予測のための完全なオンライン学習フレームワークである。我々は,ネットワーク層の深さの異なる重みを調整し,勾配問題によるモデル更新が遅いことを回避し,専門家の注意を喚起する。さらに,シナリオ変化に敏感な短期動作トレンドカーネル関数を提案する。
論文参考訳（メタデータ） (2023-09-11T07:09:40Z)
Scalable computation of prediction intervals for neural networks via matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-05-06T13:18:31Z)
Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文参考訳（メタデータ） (2022-02-21T13:18:11Z)
Learning Predictions for Algorithms with Predictions [49.341241064279714]
予測器を学習するアルゴリズムに対して,一般的な設計手法を導入する。オンライン学習の手法を応用して、敵のインスタンスに対して学習し、堅牢性と一貫性のあるトレードオフを調整し、新しい統計的保証を得る。両部マッチング,ページマイグレーション,スキーレンタル,ジョブスケジューリングの手法を解析することにより,学習アルゴリズムの導出におけるアプローチの有効性を実証する。
論文参考訳（メタデータ） (2022-02-18T17:25:43Z)
Robustification of Online Graph Exploration Methods [59.50307752165016]
我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-12-10T10:02:31Z)
A Novel Prediction Setup for Online Speed-Scaling [3.3440413258080577]
アルゴリズムを設計(スケジュール)する際にエネルギー的考慮を組み込むのが基本である。本稿では,古典的,期限ベース,オンラインの高速スケーリング問題に対して,両世界の長所を把握しようと試みる。
論文参考訳（メタデータ） (2021-12-06T14:46:20Z)
Learning-Augmented Dynamic Power Management with Multiple States via New Ski Rental Bounds [38.80523710193321]
複数の省電力状態を持つシステムにおける電力消費を最小化するオンライン問題について検討する。アルゴリズムは、異なるエネルギー消費と覚醒コストの省電力状態を選択する必要がある。アイドル期間の予測長に基づいて(潜在的に不正確な)決定を行う学習強化オンラインアルゴリズムを開発した。
論文参考訳（メタデータ） (2021-10-25T17:14:20Z)
Online Capacity Scaling Augmented With Unreliable Machine Learning Predictions [0.0]
我々は,ブラックボックスの機械学習予測にアクセスできるABCS(Adaptive Balanced Capacity Scaling)と呼ばれる新しいアルゴリズムを提案する。 ABCSは予測に適応することを目的としており、ワークロードの予測不可能な急上昇に対して堅牢である。特に、予測が正確であればABCSが$(varepsilon)$-competitiveであることを証明するが、予測が完全に不正確な場合でも一様有界競争比を持つ。
論文参考訳（メタデータ） (2021-01-28T18:14:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。