論文の概要: A Novel Prediction Setup for Online Speed-Scaling

• arxiv url: http://arxiv.org/abs/2112.03082v1
• Date: Mon, 6 Dec 2021 14:46:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 21:34:04.364497
• Title: A Novel Prediction Setup for Online Speed-Scaling
• Title（参考訳）: オンライン高速化のための新しい予測セット
• Authors: Antonios Antoniadis, Peyman Jabbarzade Ganje, Golnoosh Shahkarami
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.3440413258080577
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given the rapid rise in energy demand by data centers and computing systems in general, it is fundamental to incorporate energy considerations when designing (scheduling) algorithms. Machine learning can be a useful approach in practice by predicting the future load of the system based on, for example, historical data. However, the effectiveness of such an approach highly depends on the quality of the predictions and can be quite far from optimal when predictions are sub-par. On the other hand, while providing a worst-case guarantee, classical online algorithms can be pessimistic for large classes of inputs arising in practice. This paper, in the spirit of the new area of machine learning augmented algorithms, attempts to obtain the best of both worlds for the classical, deadline based, online speed-scaling problem: Based on the introduction of a novel prediction setup, we develop algorithms that (i) obtain provably low energy-consumption in the presence of adequate predictions, and (ii) are robust against inadequate predictions, and (iii) are smooth, i.e., their performance gradually degrades as the prediction error increases.
• Abstract（参考訳）: データセンターやコンピュータシステム全体のエネルギー需要の急増を考えると、(スケジュール)アルゴリズムを設計する際にエネルギーを考慮に入れることが基本である。 機械学習は、例えば過去のデータに基づいてシステムの将来の負荷を予測することによって、実際に有用なアプローチとなり得る。 しかし、そのような手法の有効性は予測の質に大きく依存しており、予測がサブパーである場合には最適とは程遠い。 一方、最悪の場合の保証を提供する一方で、古典的なオンラインアルゴリズムは、実際に発生する大量の入力クラスに対して悲観的である。 本稿では,機械学習拡張アルゴリズムの新しい領域の精神の中で,古典的,期限ベース,オンラインのスピードスケーリング問題において,両者のベストを最大限に得ることを試みる。 (i)適切な予測の有無で、確実に低いエネルギー消費を得る、及び (ii)不適切な予測に対して頑健であり、 (iii) は滑らかであり、予測誤差が増加するにつれて性能が徐々に低下する。

関連論文リスト

• 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)
• Online TSP with Predictions [3.8411077568039866]
  古典的オンライン旅行セールスマン問題(OLTSP)について検討する。 他の研究の予測モデルとは異なり、OLTSPの実際の要求はその到着時間と位置に関連しており、予測された要求と一致しないかもしれない。 我々の主な成果は、様々な予測モデルと設計アルゴリズムを研究し、異なる設定で最もよく知られた結果を改善することである。
  論文  参考訳（メタデータ） (2022-06-30T15:35:53Z)
• 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)
• Efficient and Differentiable Conformal Prediction with General Function Classes [96.74055810115456]
  本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。 本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。 実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2022-02-22T18:37:23Z)
• 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)
• Parsimonious Learning-Augmented Caching [29.975391787684966]
  本稿では,学習補助アルゴリズムが同時に予測を利用できるような設定を導入し,研究する。 定量的に類似した結果が得られるが、予測のサブ線形数のみを用いることを示す。
  論文  参考訳（メタデータ） (2022-02-09T03:40:11Z)
• 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)
• Robust Learning-Augmented Caching: An Experimental Study [8.962235853317996]
  キャッシュにおける鍵となる最適化問題は、将来を知ることなく最適に解決できない。 学習強化アルゴリズムの新しい分野は、古典的なオンラインキャッシュアルゴリズムを活用するソリューションを提案する。 簡単な手法は、高い性能の予測器よりも低いオーバーヘッドしか持たないことを示す。
  論文  参考訳（メタデータ） (2021-06-28T13:15:07Z)
• Learning Augmented Energy Minimization via Speed Scaling [11.47280189685449]
  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。
  論文  参考訳（メタデータ） (2020-10-22T11:58:01Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。