論文の概要: CAMEO: A Causal Transfer Learning Approach for Performance Optimization
of Configurable Computer Systems
- arxiv url: http://arxiv.org/abs/2306.07888v2
- Date: Tue, 3 Oct 2023 12:27:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 19:47:09.360204
- Title: CAMEO: A Causal Transfer Learning Approach for Performance Optimization
of Configurable Computer Systems
- Title（参考訳）: cameo: 構成可能なコンピュータシステムの性能最適化のための因果伝達学習手法
- Authors: Md Shahriar Iqbal, Ziyuan Zhong, Iftakhar Ahmad, Baishakhi Ray, Pooyan
Jamshidi
- Abstract要約: 環境変化下での因果予測の不変性を同定する手法であるCAMEOを提案する。
MLperf深層学習システム,ビデオ分析パイプライン,データベースシステムにおいて,最先端の最適化手法に対する大幅な性能向上を示す。
- 参考スコア（独自算出の注目度）: 16.75106122540052
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern computer systems are highly configurable, with hundreds of
configuration options that interact, resulting in an enormous configuration
space. As a result, optimizing performance goals (e.g., latency) in such
systems is challenging due to frequent uncertainties in their environments
(e.g., workload fluctuations). Recently, transfer learning has been applied to
address this problem by reusing knowledge from configuration measurements from
the source environments, where it is cheaper to intervene than the target
environment, where any intervention is costly or impossible. Recent empirical
research showed that statistical models can perform poorly when the deployment
environment changes because the behavior of certain variables in the models can
change dramatically from source to target. To address this issue, we propose
CAMEO, a method that identifies invariant causal predictors under environmental
changes, allowing the optimization process to operate in a reduced search
space, leading to faster optimization of system performance. We demonstrate
significant performance improvements over state-of-the-art optimization methods
in MLperf deep learning systems, a video analytics pipeline, and a database
system.
- Abstract（参考訳）: 現代のコンピュータシステムは高度に構成可能で、数百の設定オプションが相互作用し、構成スペースが膨大になる。
その結果、そのようなシステムにおけるパフォーマンス目標(例えば、レイテンシ)の最適化は、環境の頻繁な不確実性(例えば、ワークロードの変動)のために難しい。
近年, 移動学習は, 対象環境よりも介入しやすく, 介入のコストがかかる, あるいは不可能なソース環境からの知識を再利用することで, この問題に対処するために応用されている。
近年の実証研究では、モデル内の特定の変数の挙動がソースからターゲットへと劇的に変化するため、配置環境が変化すると統計モデルの性能が低下することが示されている。
この問題に対処するため,環境変化下での因果予測器の不変性を同定し,探索空間を縮小し,より高速なシステム性能を実現する手法であるCAMEOを提案する。
本稿では,MLperf深層学習システム,ビデオ分析パイプライン,データベースシステムにおける最先端最適化手法の大幅な性能向上を示す。
関連論文リスト
- Can LLMs Configure Software Tools [0.76146285961466]
ソフトウェア工学では、複雑なシステム内での最適なパフォーマンスを確保するためには、ソフトウェアツールの精巧な構成が不可欠である。
本研究では,Large-Language Models (LLMs) を利用したソフトウェア構成プロセスの合理化について検討する。
本研究は,Chat-GPTなどのLCMを用いて,開始条件を特定し,検索空間を狭め,構成効率を向上する手法を提案する。
論文 参考訳（メタデータ） (2023-12-11T05:03:02Z) - Solving Expensive Optimization Problems in Dynamic Environments with
Meta-learning [34.77121111015387]
本稿では,高コストな動的最適化問題を解くための,シンプルなメタラーニングに基づく最適化フレームワークを提案する。
このフレームワークは柔軟性があり、任意の既製のサロゲートモデルをプラグイン形式で連続的に使用することができる。
いくつかの最先端アルゴリズムと比較して,提案手法の有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-10-19T07:42:51Z) - Constrained Environment Optimization for Prioritized Multi-Agent
Navigation [11.473177123332281]
本稿では,システムレベルの最適化問題において,環境を決定変数として考えることを目的とする。
本稿では,非優先順位付け・優先度付けされた環境最適化の新たな問題を提案する。
完全性を確保しつつ環境が変化しうる条件を, 形式的証明を通じて示す。
論文 参考訳（メタデータ） (2023-05-18T18:55:06Z) - A Data-Driven Evolutionary Transfer Optimization for Expensive Problems
in Dynamic Environments [9.098403098464704]
データ駆動、つまりサロゲート支援、進化的最適化は、高価なブラックボックス最適化問題に対処するための効果的なアプローチとして認識されている。
本稿では,データ駆動型進化的最適化により動的最適化問題を解くための,シンプルだが効果的な伝達学習フレームワークを提案する。
提案手法の有効性を実世界のケーススタディで実証した。
論文 参考訳（メタデータ） (2022-11-05T11:19:50Z) - Environment Optimization for Multi-Agent Navigation [11.473177123332281]
本研究の目的は,システムレベルの最適化問題において,環境を決定変数として考えることである。
完全性を確保しつつ環境が変化しうる条件を, 形式的証明を通じて示す。
幅広い実装シナリオに対応するため、オンラインとオフラインの両方の最適化と、離散環境と連続環境の両方の表現を含む。
論文 参考訳（メタデータ） (2022-09-22T19:22:16Z) - Few-shot Quality-Diversity Optimization [50.337225556491774]
品質多様性(QD)の最適化は、強化学習における知覚的最小値とスパース報酬を扱う上で効果的なツールであることが示されている。
本稿では,タスク分布の例から,パラメータ空間の最適化によって得られる経路の情報を利用して,未知の環境でQD手法を初期化する場合,数発の適応が可能であることを示す。
ロボット操作とナビゲーションベンチマークを用いて、疎密な報酬設定と密集した報酬設定の両方で実施された実験は、これらの環境でのQD最適化に必要な世代数を著しく削減することを示している。
論文 参考訳（メタデータ） (2021-09-14T17:12:20Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳（メタデータ） (2021-05-03T07:23:39Z) - Learning to Continuously Optimize Wireless Resource In Episodically
Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。
本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。
我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文 参考訳（メタデータ） (2020-11-16T08:24:34Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-06-18T19:11:54Z) - Bilevel Optimization for Differentially Private Optimization in Energy
Systems [53.806512366696275]
本稿では,入力に敏感な制約付き最適化問題に対して,差分プライバシーを適用する方法について検討する。
本稿は, 自然仮定の下では, 大規模非線形最適化問題に対して, 双レベルモデルを効率的に解けることを示す。
論文 参考訳（メタデータ） (2020-01-26T20:15:28Z) - Optimizing Wireless Systems Using Unsupervised and
Reinforced-Unsupervised Deep Learning [96.01176486957226]
無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。
本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
論文 参考訳（メタデータ） (2020-01-03T11:01:52Z)
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。