論文の概要: PromiseTune: Unveiling Causally Promising and Explainable Configuration Tuning

• arxiv url: http://arxiv.org/abs/2507.05995v1
• Date: Tue, 08 Jul 2025 13:54:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:38.147889
• Title: PromiseTune: Unveiling Causally Promising and Explainable Configuration Tuning
• Title（参考訳）: PromiseTune: 素早いプロモーティングと説明可能な構成チューニングの公開
• Authors: Pengzhou Chen, Tao Chen,
• Abstract要約: PromiseTuneは、因果的に精製されたルールによってガイドされる設定をチューニングする。 PromiseTuneは、全体的な第2位より42%$優れたランクを持つ他のものよりも、はるかに優れたパフォーマンスを示します。
• 参考スコア（独自算出の注目度）: 3.077531983369872
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The high configurability of modern software systems has made configuration tuning a crucial step for assuring system performance, e.g., latency or throughput. However, given the expensive measurements, large configuration space, and rugged configuration landscape, existing tuners suffer ineffectiveness due to the difficult balance of budget utilization between exploring uncertain regions (for escaping from local optima) and exploiting guidance of known good configurations (for fast convergence). The root cause is that we lack knowledge of where the promising regions lay, which also causes challenges in the explainability of the results. In this paper, we propose PromiseTune that tunes configuration guided by causally purified rules. PromiseTune is unique in the sense that we learn rules, which reflect certain regions in the configuration landscape, and purify them with causal inference. The remaining rules serve as approximated reflections of the promising regions, bounding the tuning to emphasize these places in the landscape. This, as we demonstrate, can effectively mitigate the impact of the exploration and exploitation trade-off. Those purified regions can then be paired with the measured configurations to provide spatial explainability at the landscape level. Comparing with 11 state-of-the-art tuners on 12 systems and varying budgets, we show that PromiseTune performs significantly better than the others with $42\%$ superior rank to the overall second best while providing richer information to explain the hidden system characteristics.
• Abstract（参考訳）: 現代のソフトウェアシステムの高構成性は、システムパフォーマンス、例えばレイテンシ、スループットの保証において、構成チューニングを重要なステップにしました。 しかし、高価な測定値、大きな構成空間、頑丈な構成環境を考えると、既存のチューナーは、不確実な地域(地域最適化から逃れるために)の探索と、既知の良い構成のガイダンス(高速収束のために)の活用の間の予算利用の困難なバランスのために、効果を損なう。 根本原因は、将来有望な領域がどこにあるかの知識が欠如していることであり、その結果の説明可能性にも課題が生じる。 本稿では,因果的に整理されたルールで案内される構成をチューニングするPromiseTuneを提案する。 PromiseTuneは、コンフィグレーションランドスケープの特定の領域を反映し、因果推論でそれらを浄化するルールを学ぶという意味でユニークなものです。 残りのルールは、将来性のある領域の近似反射として機能し、ランドスケープにおけるこれらの場所を強調するためのチューニングの境界を定めている。 これは、私たちが示すように、探検と搾取のトレードオフの影響を効果的に緩和することができる。 これらの浄化された領域を計測された構成と組み合わせて、景観レベルで空間的説明性を提供することができる。 12のシステムにおける11の最先端チューナーと様々な予算を比較すると、PromiseTuneは他のシステムと比較して、隠れたシステムの特徴を説明するためのより豊かな情報を提供しながら、全体的な第2のシステムよりも42\%以上優れたランクで性能を発揮していることがわかる。

関連論文リスト

• U-ViLAR: Uncertainty-Aware Visual Localization for Autonomous Driving via Differentiable Association and Registration [25.74646789843283]
  U-ViLARは、新しい不確実性を認識した視覚的ローカライゼーションフレームワークである。 ハイデフィニション(HD)マップやナビゲーションマップを使った適応的なローカライゼーションを可能にする。 当社のモデルでは、大規模自動運転車両の厳格なテストが実施されている。
  論文  参考訳（メタデータ） (2025-07-06T18:40:42Z)
• PSReg: Prior-guided Sparse Mixture of Experts for Point Cloud Registration [33.41608015231465]
  本研究では,SMoEをベースとした事前誘導型登録手法を提案する。 提案手法の有効性を実証し,3DMatch/3DLoMatchベンチマークで最先端の登録リコール(95.7%/79.3%)を達成した。
  論文  参考訳（メタデータ） (2025-01-14T00:30:22Z)
• Reliable-loc: Robust sequential LiDAR global localization in large-scale street scenes based on verifiable cues [8.074154946982516]
  逐次LiDARデータにおける検証可能なキューを利用した,LiDARに基づく信頼性のあるグローバルローカライゼーション(Reliable-loc)を提案する。 本稿では,シーケンシャルなポーズの不確実性によって誘導される局所状態監視機構を提案する。 信頼性の高い場所は、大規模で複雑なストリートシーンで高い堅牢性、正確性、効率性を示す。
  論文  参考訳（メタデータ） (2024-11-09T07:28:39Z)
• PTP: Boosting Stability and Performance of Prompt Tuning with Perturbation-Based Regularizer [94.23904400441957]
  損失景観を平滑化できる摂動型正規化器を即時チューニングに導入する。 我々は乱数ノイズベースと逆数ベースを含む2種類の摂動型正規化器を設計する。 我々の新しいアルゴリズムは,SuperGLUEベンチマークとFewGLUEベンチマークでそれぞれ1.94%,2.34%の最先端のプロンプトチューニング手法を改善した。
  論文  参考訳（メタデータ） (2023-05-03T20:30:51Z)
• Towards the Flatter Landscape and Better Generalization in Federated Learning under Client-level Differential Privacy [67.33715954653098]
  本稿では,DPの負の影響を軽減するために勾配摂動を利用するDP-FedSAMという新しいDPFLアルゴリズムを提案する。 具体的には、DP-FedSAM は Sharpness Aware of Minimization (SAM) を統合し、安定性と重みのある局所平坦度モデルを生成する。 より優れた性能を保ちながら、さらにマグニチュードランダムノイズを低減するために、ローカル更新スペーシフィケーション手法を用いてDP-FedSAM-$top_k$を提案する。
  論文  参考訳（メタデータ） (2023-05-01T15:19:09Z)
• FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy [84.45004766136663]
  フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。 これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。 本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
  論文  参考訳（メタデータ） (2023-02-21T03:55:29Z)
• Semi-signed neural fitting for surface reconstruction from unoriented point clouds [53.379712818791894]
  より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。 我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
  論文  参考訳（メタデータ） (2022-06-14T09:40:17Z)
• Deep Multi-Task Learning for Joint Localization, Perception, and Prediction [68.50217234419922]
  本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。 我々は,認識,予測,局所化を共同で行うシステムの設計を行う。 本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
  論文  参考訳（メタデータ） (2021-01-17T17:20:31Z)

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。