Fugu-MT 論文翻訳(概要): Learning-Augmented Online Packet Scheduling with Deadlines

論文の概要: Learning-Augmented Online Packet Scheduling with Deadlines

arxiv url: http://arxiv.org/abs/2305.07164v1
Date: Thu, 11 May 2023 22:29:02 GMT
ステータス: 処理完了
システム内更新日: 2023-05-15 14:26:09.245185
Title: Learning-Augmented Online Packet Scheduling with Deadlines
Title（参考訳）: デッドラインを用いた学習強化オンラインパケットスケジューリング
Authors: Clifford Stein and Hao-Ting Wei
Abstract要約: 現代のネットワークは、重要でないトラフィックよりも重要なトラフィックを優先することを目的としている。本研究では,予測に対処する新しいアルゴリズムフレームワークを提案する。予測誤差が小さい場合には,予測誤差によらず,有界競争比を維持しながら競争率を向上することを示す。
参考スコア（独自算出の注目度）: 0.49386305466436514
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The modern network aims to prioritize critical traffic over non-critical traffic and effectively manage traffic flow. This necessitates proper buffer management to prevent the loss of crucial traffic while minimizing the impact on non-critical traffic. Therefore, the algorithm's objective is to control which packets to transmit and which to discard at each step. In this study, we initiate the learning-augmented online packet scheduling with deadlines and provide a novel algorithmic framework to cope with the prediction. We show that when the prediction error is small, our algorithm improves the competitive ratio while still maintaining a bounded competitive ratio, regardless of the prediction error.
Abstract（参考訳）: 現代のネットワークは、非クリティカルトラフィックよりも重要なトラフィックを優先し、トラフィックフローを効果的に管理することを目的としている。これにより、重要でないトラフィックへの影響を最小限に抑えつつ、重要なトラフィックの損失を防止するために適切なバッファ管理が必要である。したがって、アルゴリズムの目的は、送信するパケットと、各ステップで破棄するパケットを制御することである。本研究では,期限付きオンラインパケットスケジューリングの学習を開始するとともに,予測に対処する新しいアルゴリズムフレームワークを提案する。予測誤差が小さい場合には, 予測誤差にかかわらず有界な競合比を維持しながら, 競合比を向上できることを示す。

関連論文リスト

Cellular Traffic Prediction Using Online Prediction Algorithms [5.416701003120508]
本稿では,リアルタイムシナリオにおけるセルラーネットワークトラフィック予測におけるライブ予測アルゴリズムの有効性について検討する。機械学習モデルに2つのライブ予測アルゴリズムを適用し,その1つは最近提案されたFast LiveStream Prediction (FLSP)アルゴリズムである。本研究は,従来のオンライン予測アルゴリズムと比較して,FLSPアルゴリズムが非同期データレポートに必要な帯域幅を半減できることを明らかにする。
論文参考訳（メタデータ） (2024-05-08T17:36:14Z)
Multi-Step Traffic Prediction for Multi-Period Planning in Optical Networks [4.963536645449425]
サービスオーバープロビジョンに対処し、交通変化への適応性を改善するために、多段階の交通予測を利用する多周期計画フレームワークが提案されている。エンコーダ・デコーダ深層学習モデルは,まず,実交通トラヒックを解析して,複数ステップ先進予測に活用される。
論文参考訳（メタデータ） (2024-04-12T08:20:01Z)
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)
Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity Analysis [6.8775337739726226]
本稿では,グラフ畳み込み深層学習アルゴリズムに基づく交通予測手法を提案する。本研究では,宮内庁旅行調査の人的活動頻度データを活用し,活動と交通パターンの因果関係の推測能力を高める。
論文参考訳（メタデータ） (2023-08-20T14:31:55Z)
Guaranteed Dynamic Scheduling of Ultra-Reliable Low-Latency Traffic via Conformal Prediction [72.59079526765487]
アップリンクにおける超信頼性・低遅延トラフィック(URLLC)の動的スケジューリングは、既存のサービスの効率を大幅に向上させることができる。主な課題は、URLLCパケット生成のプロセスにおける不確実性である。本稿では,URLLC トラフィック予測器の品質に関わらず,信頼性と遅延を保証した新しい URLLC パケットスケジューラを提案する。
論文参考訳（メタデータ） (2023-02-15T14:09:55Z)
Cooperative Behavioral Planning for Automated Driving using Graph Neural Networks [0.5801044612920815]
本研究は,複数の車両を共同で計画することで,都市交差点における交通流の最適化に機械学習アルゴリズムを活用することを提案する。学習に基づく行動計画にはいくつかの課題が伴い、適切な入力と出力の表現と大量の基幹データを要求する。自動運転における意思決定のためのオープンソースのシミュレーション環境において,提案手法を訓練し,評価する。
論文参考訳（メタデータ） (2022-02-23T09:36:15Z)
Accelerating Federated Edge Learning via Optimized Probabilistic Device Scheduling [57.271494741212166]
本稿では,通信時間最小化問題を定式化し,解決する。最適化されたポリシーは、トレーニングプロセスが進むにつれて、残りの通信ラウンドの抑制から、ラウンドごとのレイテンシの低減へと、徐々に優先順位を転換している。提案手法の有効性は,自律運転における協調的3次元目標検出のユースケースを通じて実証される。
論文参考訳（メタデータ） (2021-07-24T11:39:17Z)
Better than the Best: Gradient-based Improper Reinforcement Learning for Network Scheduling [60.48359567964899]
パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
論文参考訳（メタデータ） (2021-05-01T10:18:34Z)
Optimal Robustness-Consistency Trade-offs for Learning-Augmented Online Algorithms [85.97516436641533]
機械学習予測を取り入れたオンラインアルゴリズムの性能向上の課題について検討する。目標は、一貫性と堅牢性の両方を備えたアルゴリズムを設計することだ。機械学習予測を用いた競合解析のための非自明な下界の最初のセットを提供する。
論文参考訳（メタデータ） (2020-10-22T04:51:01Z)
Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文参考訳（メタデータ） (2020-03-19T13:07:49Z)
Nonlinear Traffic Prediction as a Matrix Completion Problem with Ensemble Learning [1.8352113484137629]
本稿では,信号化トラフィック運用管理における短期的な交通予測の問題に対処する。高分解能(秒間)におけるセンサ状態の予測に焦点をあてる私たちのコントリビューションは,3つの洞察を提供するものとして要約することができます。
論文参考訳（メタデータ） (2020-01-08T13:10:40Z)

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。