論文の概要: VMAgent: Scheduling Simulator for Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2112.04785v1
• Date: Thu, 9 Dec 2021 09:18:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-10 13:46:53.879417
• Title: VMAgent: Scheduling Simulator for Reinforcement Learning
• Title（参考訳）: VMAgent:強化学習のためのスケジューリングシミュレータ
• Authors: Junjie Sheng and Shengliang Cai and Haochuan Cui and Wenhao Li and Yun Hua and Bo Jin and Wenli Zhou and Yiqiu Hu and Lei Zhu and Qian Peng and Hongyuan Zha and Xiangfeng Wang
• Abstract要約: VMAgentと呼ばれる新しいシミュレータは、RL研究者が新しい手法をよりよく探求するのに役立つ。 VMAgentは、実用的な仮想マシン(VM)スケジューリングタスクにインスパイアされている。 VMスケジューリングの観点からは、VMAgentは学習ベースのスケジューリングソリューションの改善にも役立ちます。
• 参考スコア（独自算出の注目度）: 44.026076801936874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A novel simulator called VMAgent is introduced to help RL researchers better explore new methods, especially for virtual machine scheduling. VMAgent is inspired by practical virtual machine (VM) scheduling tasks and provides an efficient simulation platform that can reflect the real situations of cloud computing. Three scenarios (fading, recovering, and expansion) are concluded from practical cloud computing and corresponds to many reinforcement learning challenges (high dimensional state and action spaces, high non-stationarity, and life-long demand). VMAgent provides flexible configurations for RL researchers to design their customized scheduling environments considering different problem features. From the VM scheduling perspective, VMAgent also helps to explore better learning-based scheduling solutions.
• Abstract（参考訳）: VMAgentと呼ばれる新しいシミュレータは、RL研究者が新しい方法、特に仮想マシンスケジューリングをよりよく探求するのに役立つ。 VMAgentは、実用的な仮想マシン(VM)スケジューリングタスクにインスパイアされ、クラウドコンピューティングの実際の状況を反映できる効率的なシミュレーションプラットフォームを提供する。 実践的なクラウドコンピューティングから3つのシナリオ(フェーディング、リカバリ、拡張)が完成し、多くの強化学習課題(高次元の状態とアクションスペース、高非定常性、生涯の需要)に対応する。 VMAgentは、RL研究者が異なる問題機能を考慮してカスタマイズされたスケジューリング環境を設計するための柔軟な構成を提供する。 VMスケジューリングの観点からは、VMAgentは学習ベースのスケジューリングソリューションの改善にも役立ちます。

関連論文リスト

• Cost-Aware Dynamic Cloud Workflow Scheduling using Self-Attention and Evolutionary Reinforcement Learning [7.653021685451039]
  本稿では,クラウドワークフロースケジューリングのための自己注意ポリシーネットワークを提案する。 トレーニングされたSPN-CWSは、すべての候補インスタンスを効果的に処理し、ワークフロータスクを実行するのに最も適したVMインスタンスを特定する。 提案手法は,複数のベンチマークCDMWS問題において,最先端のアルゴリズムよりも顕著に優れている。
  論文  参考訳（メタデータ） (2024-09-27T04:45:06Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
  近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。 シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。 この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
  論文  参考訳（メタデータ） (2023-06-22T14:07:54Z)
• Sim2real Transfer Learning for Point Cloud Segmentation: An Industrial Application Case on Autonomous Disassembly [55.41644538483948]
  我々は,点クラウドデータにsim2realTransfer Learningを用いた産業アプリケーションケースを提案する。 合成ポイントクラウドデータの生成と処理方法に関する洞察を提供する。 この問題に対処するために、パッチベースの新しいアテンションネットワークも提案されている。
  論文  参考訳（メタデータ） (2023-01-12T14:00:37Z)
• Parallel Reinforcement Learning Simulation for Visual Quadrotor Navigation [4.597465975849579]
  強化学習(Reinforcement Learning、RL)は、ロボットに物理的な世界の中をナビゲートするように教えるエージェントベースのアプローチである。 本稿では,AirSim上に構築された並列学習を効率的に行うシミュレーションフレームワークを提案する。 このフレームワーク上に構築されたApe-Xは、AirSim環境の分散トレーニングを組み込むように修正されている。
  論文  参考訳（メタデータ） (2022-09-22T15:27:42Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Molecular Dynamics Simulations on Cloud Computing and Machine Learning Platforms [0.8093262393618671]
  我々は、科学計算アプリケーションの計算構造、設計、要求のパラダイムシフトを見る。 データ駆動型と機械学習のアプローチは、科学計算アプリケーションをサポートし、スピードアップし、拡張するために使用されています。 クラウドコンピューティングプラットフォームは、科学コンピューティングにますますアピールしている。
  論文  参考訳（メタデータ） (2021-11-11T21:20:26Z)
• Multitask Adaptation by Retrospective Exploration with Learned World Models [77.34726150561087]
  本稿では,タスク非依存ストレージから取得したMBRLエージェントのトレーニングサンプルを提供するRAMaというメタ学習型アドレッシングモデルを提案する。 このモデルは、期待されるエージェントのパフォーマンスを最大化するために、ストレージから事前のタスクを解く有望な軌道を選択することで訓練される。
  論文  参考訳（メタデータ） (2021-10-25T20:02:57Z)
• Multi-factorial Optimization for Large-scale Virtual Machine Placement in Cloud Computing [15.840835256016259]
  進化的アルゴリズム(EA)は、過去に仮想マシン配置(VMP)問題に対して有望な解決がなされてきた。 クラウドサービスの需要が増大するにつれて、既存のEAは大規模な仮想マシン配置問題で実装することができない。 異種環境におけるLVMP問題にMFO技術を適用することを目的としている。
  論文  参考訳（メタデータ） (2020-01-18T02:59:18Z)

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。

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。