Fugu-MT 論文翻訳(概要): Capacity Provisioning Motivated Online Non-Convex Optimization Problem with Memory and Switching Cost

論文の概要: Capacity Provisioning Motivated Online Non-Convex Optimization Problem with Memory and Switching Cost

arxiv url: http://arxiv.org/abs/2403.17480v1
Date: Tue, 26 Mar 2024 08:22:09 GMT
ステータス: 処理完了
システム内更新日: 2024-03-27 16:16:34.236653
Title: Capacity Provisioning Motivated Online Non-Convex Optimization Problem with Memory and Switching Cost
Title（参考訳）: メモリ・スイッチングコストを考慮したモチベーション付きオンライン非凸最適化問題
Authors: Rahul Vaze, Jayakrishnan Nair,
Abstract要約: オンラインの非最適化問題は、一連のサーバのフロータイム(トータル遅延)を目標とする。各処理は、アクティブサーバ数の変更に伴うコストを最小限に抑えるために、任意の時間で処理できる。
参考スコア（独自算出の注目度）: 12.783783498844022
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: An online non-convex optimization problem is considered where the goal is to minimize the flow time (total delay) of a set of jobs by modulating the number of active servers, but with a switching cost associated with changing the number of active servers over time. Each job can be processed by at most one fixed speed server at any time. Compared to the usual online convex optimization (OCO) problem with switching cost, the objective function considered is non-convex and more importantly, at each time, it depends on all past decisions and not just the present one. Both worst-case and stochastic inputs are considered; for both cases, competitive algorithms are derived.
Abstract（参考訳）: オンラインの非凸最適化問題は、アクティブサーバ数を変更することでジョブセットのフロー時間(トータル遅延)を最小化することを目的としているが、時間とともにアクティブサーバ数を変更することで切り替えコストがかかる。各ジョブは、いつでも1つの固定速度サーバで処理できる。スイッチングコストの通常のオンライン凸最適化(OCO)問題と比較すると、客観的関数は非凸であり、さらに重要なのは、現在のものだけではなく、過去のすべての決定に依存することである。最悪のケースと確率的な入力の両方が考慮され、どちらの場合も競合アルゴリズムが導出される。

関連論文リスト

Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
論文参考訳（メタデータ） (2024-11-04T15:17:19Z)
Sparser is Faster and Less is More: Efficient Sparse Attention for Long-Range Transformers [58.5711048151424]
SPARSEK Attention(SPARSEK Attention)は、計算およびメモリ障害を克服するために設計された、新しいスパースアテンション機構である。提案手法では,各クエリに対して一定数のKVペアを選択するために,スコアリングネットワークと差別化可能なトップkマスク演算子であるSPARSEKを統合する。実験結果から,SPARSEK注意は従来のスパースアテンション法よりも優れていた。
論文参考訳（メタデータ） (2024-06-24T15:55:59Z)
Best of Both Worlds Guarantees for Smoothed Online Quadratic Optimization [9.449153668916098]
各ラウンド$t$において、プレイヤーが2次的打撃コストと2次攻撃コストに応じてアクション$x_tをプレイし、アクションを切り替えるための2乗$ell$-normコストを加算する、スムーズなオンライン最適化(SOQO)問題について検討する。この問題クラスは、スマートグリッド管理、適応制御、データセンター管理など、幅広いアプリケーションドメインと強いつながりを持っています。本稿では, 最適に近い性能を同時に達成しつつ, 強健な対角性能を得るベスト・オブ・ザ・ワールドス・アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-31T22:59:23Z)
Non-Convex Bilevel Optimization with Time-Varying Objective Functions [57.299128109226025]
本稿では,時間変化の可能なオンライン二段階最適化を提案し,エージェントがオンラインデータを用いて決定を継続的に更新する。既存のアルゴリズムと比較して、SOBOWは計算効率が良く、以前の関数を知る必要がない。軽度条件下では,SOBOWはサブリニアな局所的後悔を達成できることを示す。
論文参考訳（メタデータ） (2023-08-07T06:27:57Z)
Neural Quantile Optimization for Edge-Cloud Networking [13.509945075582447]
我々は,バースト可能な請求書に基づいて制約を満足し,コストを最小化するエッジ・クラウド・コンピューティング・ネットワークにおいて,最適なトラフィック割当方式を模索する。本稿では,教師なし学習による最適化問題を解決するため,Gumbel-softmaxサンプリングネットワークを提案する。トレーニングされたネットワークは、効率的なトラフィック割当スキームサンプリングとして機能し、実現可能性およびコスト関数値のランダム戦略を著しく上回る。
論文参考訳（メタデータ） (2023-07-11T11:05:10Z)
Movement Penalized Bayesian Optimization with Application to Wind Energy Systems [84.7485307269572]
文脈ベイズ最適化(CBO)は、与えられた側情報を逐次決定する強力なフレームワークである。この設定では、学習者は各ラウンドでコンテキスト(天気条件など)を受け取り、アクション(タービンパラメータなど)を選択する必要がある。標準的なアルゴリズムは、すべてのラウンドで意思決定を切り替えるコストを前提としませんが、多くの実用的なアプリケーションでは、このような変更に関連するコストが最小化されるべきです。
論文参考訳（メタデータ） (2022-10-14T20:19:32Z)
T*$\varepsilon$ -- Bounded-Suboptimal Efficient Motion Planning for Minimum-Time Planar Curvature-Constrained Systems [7.277760003553328]
本研究では,障害物の存在下での曲率制約系の衝突のない経路を見つけることの問題点を考察する。有界-準最適解を求めることにより、使用した時間-最適遷移の数を劇的に削減できることを示す。
論文参考訳（メタデータ） (2022-04-04T17:38:36Z)
Joint inference and input optimization in equilibrium networks [68.63726855991052]
ディープ均衡モデル(Deep equilibrium model)は、従来のネットワークの深さを予測し、代わりに単一の非線形層の固定点を見つけることによってネットワークの出力を計算するモデルのクラスである。この2つの設定の間には自然なシナジーがあることが示されています。この戦略は、生成モデルのトレーニングや、潜時符号の最適化、デノベートやインペインティングといった逆問題に対するトレーニングモデル、対逆トレーニング、勾配に基づくメタラーニングなど、様々なタスクにおいて実証される。
論文参考訳（メタデータ） (2021-11-25T19:59:33Z)
Fast Learning for Renewal Optimization in Online Task Scheduling [18.935043109084543]
本稿では,リニューアル・リワードシステムのオンライン最適化について考察する。タスク型ベクトルの確率分布は未知である。提案アルゴリズムは,古典的なRobins-Monroイテレーションに従って更新される補助変数を用いる。
論文参考訳（メタデータ） (2020-07-18T22:44:13Z)
Improved algorithms for online load balancing [0.6875312133832078]
オンラインロードバランシング問題とその拡張をゲーム繰り返しのフレームワークで検討する。プレイヤーのコストは累積計算時間ベクトルのノルムによって測定される。ゴールは、後ろ向きの最高の固定分布のコストに対してプレイヤーのコストを最小化することである。
論文参考訳（メタデータ） (2020-07-15T07:28:06Z)
Straggler-aware Distributed Learning: Communication Computation Latency Trade-off [56.08535873173518]
ストラグワーカーは冗長な計算を割り当て、データと計算をまたいでコーディングすることで許容できる。既存のほとんどのスキームでは、各非ストラグリングワーカーは、全ての計算を完了した後、1イテレーションごとに1つのメッセージをパラメータサーバ(PS)に送信する。このような制限を課すことで、ストレグリング動作の不正確な予測による過剰計算と、ストレグラー/非ストレグラーとしての作業員の処理による未使用の2つの主な欠点が生じる。
論文参考訳（メタデータ） (2020-04-10T08:39:36Z)

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。