論文の概要: Data-Driven Stochastic Modeling Using Autoregressive Sequence Models: Translating Event Tables to Queueing Dynamics

• arxiv url: http://arxiv.org/abs/2509.05839v1
• Date: Sat, 06 Sep 2025 21:34:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.738926
• Title: Data-Driven Stochastic Modeling Using Autoregressive Sequence Models: Translating Event Tables to Queueing Dynamics
• Title（参考訳）: 自己回帰シーケンスモデルを用いたデータ駆動確率モデリング:イベントテーブルの待ち時間ダイナミクスへの変換
• Authors: Daksh Mittal, Shunri Zheng, Jing Dong, Hongseok Namkoong,
• Abstract要約: 本稿では、イベントストリームデータに基づいてトレーニングされた自己回帰シーケンスモデルに基づく、ネットワークモデリングとシミュレーションのキュー作成のためのデータ駆動フレームワークを提案する。 トランスフォーマースタイルのアーキテクチャはこれらの分布を効果的にパラメータ化でき、高忠実度シミュレータの自動構築を可能にする。
• 参考スコア（独自算出の注目度）: 8.0556095663079
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While queueing network models are powerful tools for analyzing service systems, they traditionally require substantial human effort and domain expertise to construct. To make this modeling approach more scalable and accessible, we propose a data-driven framework for queueing network modeling and simulation based on autoregressive sequence models trained on event-stream data. Instead of explicitly specifying arrival processes, service mechanisms, or routing logic, our approach learns the conditional distributions of event types and event times, recasting the modeling task as a problem of sequence distribution learning. We show that Transformer-style architectures can effectively parameterize these distributions, enabling automated construction of high-fidelity simulators. As a proof of concept, we validate our framework on event tables generated from diverse queueing networks, showcasing its utility in simulation, uncertainty quantification, and counterfactual evaluation. Leveraging advances in artificial intelligence and the growing availability of data, our framework takes a step toward more automated, data-driven modeling pipelines to support broader adoption of queueing network models across service domains.
• Abstract（参考訳）: キューネットワークモデルは、サービスシステムを分析するための強力なツールですが、伝統的に、構築にはかなりの人的努力とドメインの専門知識が必要です。 このモデリングアプローチをよりスケーラブルでアクセスしやすいものにするために、イベントストリームデータに基づいてトレーニングされた自己回帰シーケンスモデルに基づいて、ネットワークモデリングとシミュレーションをキューするデータ駆動フレームワークを提案する。 我々の手法は、到着プロセスやサービスメカニズム、ルーティングロジックを明示的に指定するのではなく、イベントタイプやイベント時間の条件分布を学習し、シーケンス分散学習の課題としてモデリングタスクを再キャストする。 トランスフォーマースタイルのアーキテクチャはこれらの分布を効果的にパラメータ化でき、高忠実度シミュレータの自動構築を可能にする。 概念実証として,多種多様なキューネットワークから生成されたイベントテーブル上でのフレームワークの有効性を検証し,シミュレーション,不確実性定量化,および反実的評価を行った。 人工知能の進歩とデータの可用性の向上を活用して、当社のフレームワークは、より自動化されたデータ駆動モデリングパイプラインへの一歩を踏み出し、サービスドメイン全体にわたるキューネットワークモデルの採用を支援します。

関連論文リスト

• Multi-Level Service Performance Forecasting via Spatiotemporal Graph Neural Networks [15.87545402988833]
  本稿では,分散システムにおける性能変動予測の課題を解決するために,時間グラフニューラルネットワークによる性能予測を提案する。 ノードサービスのランタイム機能とサービス間の呼び出し関係を統合し、統一されたフレームワークを構築する。 その結果,提案手法はMAE,RMSE,R2といった主要な指標において,既存の代表手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-08-09T23:50:47Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [55.914891182214475]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• A Unified Modeling Framework for Automated Penetration Testing [7.670104854248101]
  自動貫入テスト(AutoPT)への人工知能の統合は、インテリジェントエージェントのトレーニングのためのシミュレーションモデルの必要性を強調している。 シミュレーションモデリングのための統一フレームワークが利用可能であることには、認識されているギャップがある。 本稿では,文献の目的,ネットワークシミュレーションの複雑さ,技術的および戦術的操作の依存性,シナリオフィードバックと変動に基づく研究を分類するためにMDCPMを紹介する。 政策自動化に基づく新しいモデリングフレームワークであるAutoPT-Simを紹介し,すべての部分次元の組み合わせを包含する。
  論文  参考訳（メタデータ） (2025-02-17T09:21:53Z)
• Transferable Post-training via Inverse Value Learning [83.75002867411263]
  別個のニューラルネットワーク(すなわち値ネットワーク)を用いた後学習におけるロジットレベルのモデリング変更を提案する。 このネットワークをデモを使って小さなベースモデルでトレーニングした後、推論中に他のトレーニング済みモデルとシームレスに統合することができる。 得られた値ネットワークは、パラメータサイズの異なる事前学習されたモデル間で広い転送性を有することを示す。
  論文  参考訳（メタデータ） (2024-10-28T13:48:43Z)
• EventFlow: Forecasting Temporal Point Processes with Flow Matching [12.976042923229466]
  機械学習では、ニューラルネットワークを使用して自己回帰的に時間点過程をモデル化することが一般的である。 本研究では,時間的ポイントプロセスのための非自己回帰生成モデルであるEventFlowを提案する。
  論文  参考訳（メタデータ） (2024-10-09T20:57:00Z)
• Recurrent Interpolants for Probabilistic Time Series Prediction [10.422645245061899]
  リカレントニューラルネットワークやトランスフォーマーのような逐次モデルは、確率的時系列予測の標準となっている。 近年の研究では、拡散モデルやフローベースモデルを用いて、時系列計算や予測に拡張した生成的アプローチについて検討している。 本研究は、補間剤と制御機能付き条件生成に基づく、リカレントニューラルネットワークの効率と拡散モデルの確率的モデリングを組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-18T03:52:48Z)
• Transformer Architecture for NetsDB [0.0]
  我々はNetsDBで機能するディープラーニングモデルのためのトランスフォーマーのエンドツーエンド実装を作成します。 分散処理、デプロイメント、効率的な推論のために、当社のモデルから重みをロードします。
  論文  参考訳（メタデータ） (2024-05-08T04:38:36Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Autoregressive Dynamics Models for Offline Policy Evaluation and Optimization [60.73540999409032]
  表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。 また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-28T16:48:44Z)

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。