論文の概要: Do Performance Aspirations Matter for Guiding Software Configuration Tuning?

• arxiv url: http://arxiv.org/abs/2301.03290v1
• Date: Mon, 9 Jan 2023 12:11:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 18:04:54.967881
• Title: Do Performance Aspirations Matter for Guiding Software Configuration Tuning?
• Title（参考訳）: ソフトウェア構成調整の指導にはパフォーマンスの願望が重要か?
• Authors: Tao Chen and Miqing Li
• Abstract要約: そこで本研究では,アスピレーションの現実主義が,チューニングの指導に使用すべきかどうかを決定する鍵となる要素であることを示す。 利用可能なチューニング予算は、願望の選択にも影響を及ぼすが、現実的ではない。
• 参考スコア（独自算出の注目度）: 6.492599077364121
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Configurable software systems can be tuned for better performance. Leveraging on some Pareto optimizers, recent work has shifted from tuning for a single, time-related performance objective to two intrinsically different objectives that assess distinct performance aspects of the system, each with varying aspirations. Before we design better optimizers, a crucial engineering decision to make therein is how to handle the performance requirements with clear aspirations in the tuning process. For this, the community takes two alternative optimization models: either quantifying and incorporating the aspirations into the search objectives that guide the tuning, or not considering the aspirations during the search but purely using them in the later decision-making process only. However, despite being a crucial decision that determines how an optimizer can be designed and tailored, there is a rather limited understanding of which optimization model should be chosen under what particular circumstance, and why. In this paper, we seek to close this gap. Firstly, we do that through a review of over 426 papers in the literature and 14 real-world requirements datasets. Drawing on these, we then conduct a comprehensive empirical study that covers 15 combinations of the state-of-the-art performance requirement patterns, four types of aspiration space, three Pareto optimizers, and eight real-world systems/environments, leading to 1,296 cases of investigation. We found that (1) the realism of aspirations is the key factor that determines whether they should be used to guide the tuning; (2) the given patterns and the position of the realistic aspirations in the objective landscape are less important for the choice, but they do matter to the extents of improvement; (3) the available tuning budget can also influence the choice for unrealistic aspirations but it is insignificant under realistic ones.
• Abstract（参考訳）: 構成可能なソフトウェアシステムは、より良いパフォーマンスのために調整できる。 Paretoオプティマイザを活用することで、最近の作業は、単一の時間関連のパフォーマンス目標のチューニングから、システムの異なるパフォーマンス面を評価する2つの本質的に異なる目標へと移行した。 より良いオプティマイザを設計する前に、そこで行う重要なエンジニアリング上の決定は、チューニングプロセスにおける明確な仮定でパフォーマンス要求を処理する方法です。 このために、コミュニティは2つの代替最適化モデルを採用している: チューニングを導く探索目的への願望の定量化と組み込むか、または探索中の願望を考慮せずに、後続の意思決定プロセスでのみそれらを使用するかのどちらかである。 しかしながら、オプティマイザの設計と調整方法を決定する重要な決定であるにもかかわらず、どの最適化モデルを特定の状況と理由の下で選択すべきかについては、かなり限定的な理解がある。 本稿では,このギャップを埋めようとしている。 まず、文献の426以上の論文と14の現実世界の要件データセットのレビューを通じて、それを実施します。 そこで本研究では,最先端性能要求パターン,4種類の願望空間,3つのパレートオプティマイザ,8つの実世界のシステム/環境の組み合わせについて,総合的な実証研究を行い,1,296件の調査を行った。 その結果,(1)願望のリアリズムは,調律を導くために使うべきかどうかを決定する重要な要因であり,(2)目的の景観において与えられたパターンや現実の願望の位置は選択にはあまり重要でないが,改善の程度には関係しない,(3)利用可能な調律予算は非現実的な願望の選択にも影響を与えるが,現実のものとは無関係であることがわかった。

関連論文リスト

• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• Deep Pareto Reinforcement Learning for Multi-Objective Recommender Systems [60.91599969408029]
  複数の目的を同時に最適化することは、レコメンデーションプラットフォームにとって重要なタスクです。 既存の多目的推薦システムは、そのような動的な関係を体系的に考慮していない。
  論文  参考訳（メタデータ） (2024-07-04T02:19:49Z)
• Controllable Preference Optimization: Toward Controllable Multi-Objective Alignment [103.12563033438715]
  人工知能におけるアライメントは、モデル応答と人間の好みと値の一貫性を追求する。 既存のアライメント技術は、主に一方向であり、様々な目的に対して、最適以下のトレードオフと柔軟性の低下につながる。 制御可能な選好最適化(CPO)を導入し、異なる目的に対する選好スコアを明確に指定する。
  論文  参考訳（メタデータ） (2024-02-29T12:12:30Z)
• Towards General and Efficient Online Tuning for Spark [55.30868031221838]
  本稿では,3つの問題を同時に処理できる汎用的で効率的なSparkチューニングフレームワークを提案する。 我々は、このフレームワークを独立したクラウドサービスとして実装し、Tencentのデータプラットフォームに適用しました。
  論文  参考訳（メタデータ） (2023-09-05T02:16:45Z)
• Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process Optimization [59.45414406974091]
  我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。 NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。 その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
  論文  参考訳（メタデータ） (2023-05-31T12:07:50Z)
• The Perils of Learning Before Optimizing [16.97597806975415]
  本稿では,最適化タスクを通じて予測モデルを識別することで,エンドツーエンドで予測モデルを学習する方法を示す。 2段階のアプローチとエンドツーエンドのアプローチのパフォーマンスギャップは、最適化における相関の概念の強調と密接に関係していることが示される。
  論文  参考訳（メタデータ） (2021-06-18T20:43:47Z)
• Multi-Objectivizing Software Configuration Tuning (for a single performance concern) [7.285442358509729]
  補助的な性能目標を考慮したメタ目的化モデル(MMO)を提案する。 我々のモデルは,局所最適性を克服する上で,最先端の単目的モデルよりも統計的に有効である。
  論文  参考訳（メタデータ） (2021-05-31T03:03:53Z)
• Goal Seeking Quadratic Unconstrained Binary Optimization [0.5439020425819]
  本稿では,目標からのずれを最小限に抑える2種類の目標探索QUBOを提案する。 本論文では、タブー探索に基づく1フリップによる目標からの偏差を最小限に抑える2種類の目標探索QUBOについて述べる。
  論文  参考訳（メタデータ） (2021-03-24T03:03:13Z)
• Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
  本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。 レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
  論文  参考訳（メタデータ） (2020-08-02T02:56:30Z)
• Descending through a Crowded Valley - Benchmarking Deep Learning Optimizers [29.624308090226375]
  本研究は,これらの逸話を,少なくとも証拠に裏付けられた逸話に置き換えることを目的としている。 そのために、特に人気のある15のディープラーニングの、広範囲で標準化されたベンチマークを実行します。 我々のオープンソースの成果は、新しい最適化手法のより有意義な評価のために、挑戦的でよく調整されたベースラインとして利用可能である。
  論文  参考訳（メタデータ） (2020-07-03T08:19:36Z)

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。