論文の概要: SkipPredict: When to Invest in Predictions for Scheduling
- arxiv url: http://arxiv.org/abs/2402.03564v1
- Date: Mon, 5 Feb 2024 22:24:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 17:36:09.252920
- Title: SkipPredict: When to Invest in Predictions for Scheduling
- Title（参考訳）: SkipPredict: スケジューリングの予測にいつ投資するか
- Authors: Rana Shahout, Michael Mitzenmacher
- Abstract要約: そこで本研究では,予測手法であるSkipPredict(SkipPredict)を導入し,そのコストに対処する手法を提案する。
これを実現するために、ジョブを短くも長くも分類するために、1ビットの“チープ予測”を使用します。
2つの異なるモデルに対して、このコストが与える影響について検討する。
- 参考スコア（独自算出の注目度）: 10.895221249490984
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In light of recent work on scheduling with predicted job sizes, we consider
the effect of the cost of predictions in queueing systems, removing the
assumption in prior research that predictions are external to the system's
resources and/or cost-free. In particular, we introduce a novel approach to
utilizing predictions, SkipPredict, designed to address their inherent cost.
Rather than uniformly applying predictions to all jobs, we propose a tailored
approach that categorizes jobs based on their prediction requirements. To
achieve this, we employ one-bit "cheap predictions" to classify jobs as either
short or long. SkipPredict prioritizes predicted short jobs over long jobs, and
for the latter, SkipPredict applies a second round of more detailed "expensive
predictions" to approximate Shortest Remaining Processing Time for these jobs.
Our analysis takes into account the cost of prediction. We examine the effect
of this cost for two distinct models. In the external cost model, predictions
are generated by some external method without impacting job service times but
incur a cost. In the server time cost model, predictions themselves require
server processing time, and are scheduled on the same server as the jobs.
- Abstract（参考訳）: 予測されたジョブサイズによるスケジューリングに関する最近の研究を踏まえ、待ち行列システムにおける予測コストの影響を考察し、予測がシステムのリソースやコストフリーとは無関係であるという前提を以前の研究から取り除いた。
特に,従来の予測手法であるSkipPredictを導入し,そのコストに対処する手法を提案する。
すべてのジョブに均一に予測を適用するのではなく、予測要求に基づいてジョブを分類する、カスタマイズされたアプローチを提案する。
これを実現するために、1ビットの "cheap predictions" を使い、ジョブを短いか長いかのどちらかに分類する。
skippredictは、長いジョブよりも予測された短いジョブを優先し、skippredictは、これらのジョブの最も短い処理時間を近似するために、より詳細な "expensive predictions" の第2ラウンドを適用する。
我々の分析は予測のコストを考慮している。
2つの異なるモデルに対するこのコストの影響について検討する。
外部コストモデルでは、ジョブサービス時間に影響を与えることなく、コストを伴わない外部メソッドによって予測が生成される。
サーバ時間コストモデルでは、予測自体がサーバ処理時間を必要とし、ジョブと同じサーバ上でスケジュールされる。
関連論文リスト
- Performative Prediction on Games and Mechanism Design [69.7933059664256]
エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。
予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。
よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
論文 参考訳（メタデータ） (2024-08-09T16:03:44Z) - Best of Many in Both Worlds: Online Resource Allocation with Predictions under Unknown Arrival Model [16.466711636334587]
オンライン意思決定者は、到着や要求など、将来の変数に関する予測を得ることが多い。
意思決定者にとって予測精度は未知であるため、予測に盲目的に追従することは有害である。
我々は未知の予測精度に頑健な方法で予測を利用するアルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-02-21T04:57:32Z) - Conformal Prediction Regions for Time Series using Linear
Complementarity Programming [25.094249285804224]
本稿では,長期の地平面計画と検証を可能にするために,保守性を低減する最適化手法を提案する。
この問題を混合整数線形相補性プログラム (MILCP) としてキャストし, 線形相補性プログラム (LCP) に緩和することを示した。
論文 参考訳（メタデータ） (2023-04-03T15:32:38Z) - Acela: Predictable Datacenter-level Maintenance Job Scheduling [27.990173338574138]
本稿では,維持作業期間を予測する機械学習システムであるAcelaを紹介する。
Acela はオフラインのサーバ数を 1.87-4.28X に減らし,サーバのオフライン時間を 1.40-2.80X に減らした。
論文 参考訳（メタデータ） (2022-12-10T00:22:49Z) - What Should I Know? Using Meta-gradient Descent for Predictive Feature
Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。
この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。
本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文 参考訳（メタデータ） (2022-06-13T21:31:06Z) - 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) - Private Prediction Sets [72.75711776601973]
機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。
これら2つのデシラタを共同で扱う枠組みを提案する。
本手法を大規模コンピュータビジョンデータセット上で評価する。
論文 参考訳（メタデータ） (2021-02-11T18:59:11Z) - Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
持続時間予測に有効な2つのモデルを提案する。
1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。
我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
論文 参考訳（メタデータ） (2020-11-05T01:52:11Z) - AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。
最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。
さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2020-06-24T23:13:11Z)
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。