論文の概要: WANDER: An Explainable Decision-Support Framework for HPC

• arxiv url: http://arxiv.org/abs/2506.04049v1
• Date: Wed, 04 Jun 2025 15:15:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 16:56:39.550122
• Title: WANDER: An Explainable Decision-Support Framework for HPC
• Title（参考訳）: WANDER: HPCのための説明可能な意思決定支援フレームワーク
• Authors: Ankur Lahiry, Banooqa Banday, Tanzima Z. Islam,
• Abstract要約: 高性能コンピューティングシステムは、ランタイム、リソース使用量、パワー、可変性に影響を与える多くの相互依存構成ノブを公開している。 We present WANDER, a decision- supported framework that synsternal configurations using counterfactual analysis with each with user goal and constraints。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: High-performance computing (HPC) systems expose many interdependent configuration knobs that impact runtime, resource usage, power, and variability. Existing predictive tools model these outcomes, but do not support structured exploration, explanation, or guided reconfiguration. We present WANDER, a decision-support framework that synthesizes alternate configurations using counterfactual analysis aligned with user goals and constraints. We introduce a composite trade-off score that ranks suggestions based on prediction uncertainty, consistency between feature-target relationships using causal models, and similarity between feature distributions against historical data. To our knowledge, WANDER is the first such system to unify prediction, exploration, and explanation for HPC tuning under a common query interface. Across multiple datasets WANDER generates interpretable and trustworthy, human-readable alternatives that guide users to achieve their performance objectives.
• Abstract（参考訳）: ハイパフォーマンスコンピューティング(HPC)システムは、ランタイム、リソース使用量、パワー、可変性に影響を与える多くの相互依存構成ノブを公開している。 既存の予測ツールはこれらの結果をモデル化するが、構造化された探索、説明、またはガイドされた再構成をサポートしない。 We present WANDER, a decision- supported framework that synsternal configurations using counterfactual analysis with each with user goal and constraints。 本稿では,予測の不確実性,因果モデルを用いた特徴目標関係の整合性,履歴データに対する特徴分布の類似性に基づいて,提案をランク付けする複合トレードオフスコアを提案する。 我々の知る限り、WANDERは、共通のクエリインタフェースの下でHPCチューニングの予測、探索、説明を統一する最初のシステムである。 複数のデータセットにまたがって、WANDERは、ユーザのパフォーマンス目標を達成するための、解釈可能で信頼性の高い、ヒューマン可読な代替手段を生成する。

関連論文リスト

• Tuning for Trustworthiness -- Balancing Performance and Explanation Consistency in Neural Network Optimization [49.567092222782435]
  我々は,異なる特徴帰属法間の合意として定義された,XAI整合性という新しい概念を紹介する。 予測性能と説明のバランスをとる多目的最適化フレームワークを構築した。 本研究は、トレードオフゾーンバランス性能損失とXAI整合性による強靭性向上のモデルについて、今後の研究基盤を提供する。
  論文  参考訳（メタデータ） (2025-05-12T13:19:14Z)
• Enhancing the conformal predictability of context-aware recommendation systems by using Deep Autoencoders [4.3012765978447565]
  本稿では,ニューラルネットワークとオートエンコーダを組み合わせることで,項目のユーザ評価を予測するフレームワークを提案する。 実世界の様々なデータセットの実験を行い、その結果を最先端のアプローチと比較する。
  論文  参考訳（メタデータ） (2024-11-30T18:24:42Z)
• Coherent Entity Disambiguation via Modeling Topic and Categorical Dependency [87.16283281290053]
  従来のエンティティ曖昧化(ED)メソッドは、参照コンテキストと候補エンティティの一致するスコアに基づいて予測を行う、識別パラダイムを採用している。 本稿では,エンティティ予測のコヒーレンス向上を目的とした新しいデザインを備えたEDシステムであるCoherentedを提案する。 我々は、人気EDベンチマークにおいて、平均1.3F1ポイントの改善により、最先端の新たな結果を得る。
  論文  参考訳（メタデータ） (2023-11-06T16:40:13Z)
• $\clubsuit$ CLOVER $\clubsuit$: Probabilistic Forecasting with Coherent Learning Objective Reparameterization [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを多変量ガウス因子モデルで拡張し,構築によるコヒーレンスを実現する。 我々はこの手法をCLOVER(Coherent Learning Objective Reparametrization Neural Network)と呼ぶ。 CLOVERは最先端のコヒーレント予測手法と比較して,スケールしたCRPS予測精度が15%向上した。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)
• Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation [50.93536377097659]
  本稿では,コメンテータシステムにおける対話データから因果不整合表現を学習するためのCaD-VAE(Causal Disentangled Variational Auto-Encoder)を提案する。 この手法は構造因果モデルを用いて、潜在因子間の因果関係を記述する因果表現を生成する。
  論文  参考訳（メタデータ） (2023-04-17T00:10:56Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Collaborative Uncertainty in Multi-Agent Trajectory Forecasting [35.013892666040846]
  本稿では,対話モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、将来の軌跡とそれに対応する不確実性を学ぶための予測モデルを構築するための一般的なCUベースのフレームワークを構築した。 いずれの場合も、2つの合成データセットと2つの大規模軌跡予測ベンチマークについて広範な実験を行う。
  論文  参考訳（メタデータ） (2021-10-26T18:27:22Z)
• ARM-Net: Adaptive Relation Modeling Network for Structured Data [29.94433633729326]
  ARM-Netは、構造化データに適した適応関係モデリングネットワークであり、リレーショナルデータのためのARM-Netに基づく軽量フレームワークARMORである。 ARM-Netは既存のモデルより一貫して優れており、データセットに対してより解釈可能な予測を提供する。
  論文  参考訳（メタデータ） (2021-07-05T07:37:24Z)
• Relate and Predict: Structure-Aware Prediction with Jointly Optimized Neural DAG [13.636680313054631]
  ニューラルネットワークフレームワークdGAPを提案し、ニューラルネットワーク依存性グラフを学習し、構造認識ターゲット予測を最適化する。 dGAPは構造物の自己超越損失と目標予測損失を共同で訓練する。 複数のシミュレーションデータセットと実データセットでdGAPを実証的に評価する。
  論文  参考訳（メタデータ） (2021-03-03T13:55:12Z)
• Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
  我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。 我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。 継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-27T18:46:21Z)

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。