論文の概要: Contract Scheduling with Distributional and Multiple Advice
- arxiv url: http://arxiv.org/abs/2404.12485v1
- Date: Thu, 18 Apr 2024 19:58:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-22 16:54:13.330223
- Title: Contract Scheduling with Distributional and Multiple Advice
- Title(参考訳): 分散および複数アドバイザによる契約スケジューリング
- Authors: Spyros Angelopoulos, Marcin Bienkowski, Christoph Dürr, Bertrand Simon,
- Abstract要約: これまでの研究によると、割り込み時間に関する予測は、契約ベースのシステムの性能を改善するのに役立ちます。
本稿では,予測が確率分布の形で行われる,より汎用的で現実的な学習強化設定の導入と研究を行う。
提案手法は,分布設定における誤差の予測に頑健であることを示す。
- 参考スコア(独自算出の注目度): 37.64065953072774
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Contract scheduling is a widely studied framework for designing real-time systems with interruptible capabilities. Previous work has showed that a prediction on the interruption time can help improve the performance of contract-based systems, however it has relied on a single prediction that is provided by a deterministic oracle. In this work, we introduce and study more general and realistic learning-augmented settings in which the prediction is in the form of a probability distribution, or it is given as a set of multiple possible interruption times. For both prediction settings, we design and analyze schedules which perform optimally if the prediction is accurate, while simultaneously guaranteeing the best worst-case performance if the prediction is adversarial. We also provide evidence that the resulting system is robust to prediction errors in the distributional setting. Last, we present an experimental evaluation that confirms the theoretical findings, and illustrates the performance improvements that can be attained in practice.
- Abstract(参考訳): 契約スケジューリングは、割り込み可能な機能を持つリアルタイムシステムを設計するための、広く研究されているフレームワークである。
これまでの研究では、割り込み時間の予測が契約ベースのシステムの性能向上に役立つことが示されていたが、決定論的オラクルによって提供される単一の予測に依存していた。
本研究では,予測が確率分布の形で行われる,より汎用的で現実的な学習強化設定を導入し,研究する。
どちらの予測設定でも、予測が正確であれば最適に実行するスケジュールを設計・解析し、同時に予測が逆ならば最悪の性能を保証します。
また,結果が分布設定における誤差の予測に頑健であることを示す。
最後に,理論的な結果を確認する実験的な評価を行い,実際に達成できる性能改善について述べる。
関連論文リスト
- Conformal Prediction for Hierarchical Data [5.580128181112309]
コンフォーマル予測と予測再構成を組み合わせた第1ステップを提案する。
予測セットの効率を向上しつつ,SCPが付与した妥当性が保たれていることを示す。
論文 参考訳(メタデータ) (2024-11-20T17:26:26Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - Predictive Inference with Feature Conformal Prediction [80.77443423828315]
本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。
理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。
提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
論文 参考訳(メタデータ) (2022-10-01T02:57:37Z) - 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) - Computing the ensemble spread from deterministic weather predictions
using conditional generative adversarial networks [0.0]
本稿では,深層学習アルゴリズムを用いて,アンサンブル予測システムの統計的特性を学習することを提案する。
訓練が終わると、将来のアンサンブル予測を得るためには、コストのかかるアンサンブル予測システムがもはや不要になる。
論文 参考訳(メタデータ) (2022-05-18T19:10:38Z) - Novel Techniques to Assess Predictive Systems and Reduce Their Alarm
Burden [0.0]
そこで本研究では,実用関数を用いた性能評価手法(「u-metrics」)を導入し,各予測値を評価する。
従来のパフォーマンス指標と比較して、u-metricsはワークフローコンテキストで動作する予測器の現実の利点とコストをより正確に反映する。
また,予測を一定期間抑制し,一般に予測性能を向上する手法である「スヌーズ」の使用についても述べる。
論文 参考訳(メタデータ) (2021-02-10T19:05:06Z) - Contract Scheduling With Predictions [12.335698325757491]
割り込みに関する誤った予測がある可能性のある設定について検討する。
いずれの設定においても、ロバスト性(逆予測を仮定する最悪の性能)と一貫性(予測がエラーのないと仮定する性能)のトレードオフを調査する。
論文 参考訳(メタデータ) (2020-11-24T23:00:04Z) - Video Prediction via Example Guidance [156.08546987158616]
ビデオ予測タスクでは、将来のコンテンツとダイナミクスのマルチモーダルな性質を捉えることが大きな課題である。
本研究では,有効な将来状態の予測を効果的に行うための,シンプルで効果的なフレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-03T14:57:24Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳(メタデータ) (2020-06-30T15:49:05Z)
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。