論文の概要: Hardness, Structural Knowledge, and Opportunity: An Analytical Framework for Modular Performance Modeling

• arxiv url: http://arxiv.org/abs/2509.11000v1
• Date: Sat, 13 Sep 2025 22:52:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.871314
• Title: Hardness, Structural Knowledge, and Opportunity: An Analytical Framework for Modular Performance Modeling
• Title（参考訳）: 硬さ、構造的知識、機会:モジュールパフォーマンスモデリングのための分析フレームワーク
• Authors: Omid Gheibi, Christian Kästner, Pooyan Jamshidi,
• Abstract要約: ハードネス」は、パフォーマンスモデリングの固有の難しさとして定義される。 モデリングの難しさは、主にモジュール数とモジュールごとの設定オプションによって引き起こされることを示す。 構造知識の高レベル化とモデリング難易度の向上が,改善の機会を著しく向上させることを示す。
• 参考スコア（独自算出の注目度）: 9.1773311943941
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Performance-influence models are beneficial for understanding how configurations affect system performance, but their creation is challenging due to the exponential growth of configuration spaces. While gray-box approaches leverage selective "structural knowledge" (like the module execution graph of the system) to improve modeling, the relationship between this knowledge, a system's characteristics (we call them "structural aspects"), and potential model improvements is not well understood. This paper addresses this gap by formally investigating how variations in structural aspects (e.g., the number of modules and options per module) and the level of structural knowledge impact the creation of "opportunities" for improved "modular performance modeling". We introduce and quantify the concept of modeling "hardness", defined as the inherent difficulty of performance modeling. Through controlled experiments with synthetic system models, we establish an "analytical matrix" to measure these concepts. Our findings show that modeling hardness is primarily driven by the number of modules and configuration options per module. More importantly, we demonstrate that both higher levels of structural knowledge and increased modeling hardness significantly enhance the opportunity for improvement. The impact of these factors varies by performance metric; for ranking accuracy (e.g., in debugging task), structural knowledge is more dominant, while for prediction accuracy (e.g., in resource management task), hardness plays a stronger role. These results provide actionable insights for system designers, guiding them to strategically allocate time and select appropriate modeling approaches based on a system's characteristics and a given task's objectives.
• Abstract（参考訳）: 性能影響モデルは、構成がシステムパフォーマンスにどのように影響するかを理解するのに有用であるが、構成空間の指数的な成長のため、それらの生成は困難である。 グレーボックスアプローチは、モデリングを改善するために選択的な「構造的知識」(システムのモジュール実行グラフなど)を活用するが、この知識とシステムの特性(それらを「構造的側面」と呼ぶ)との関係はよく理解されていない。 本稿では, 構造的側面(モジュール数, モジュール数, モジュール数)と構造的知識のレベルが, 改良された「モジュラー・パフォーマンス・モデリング」のための「機会」の生成にどのように影響するかを, 正式に検討することによって, このギャップに対処する。 我々は、パフォーマンスモデリングの本質的な難しさとして定義された「硬さ」のモデリングの概念を導入し、定量化する。 合成システムモデルを用いた制御実験により,これらの概念を計測する「分析行列」を構築した。 この結果から,モデリングの難しさはモジュール数とモジュール単位の設定オプションによって大きく左右されることがわかった。 さらに重要なことは、より高いレベルの構造知識とモデリングの難しさの両方が改善の機会を著しく高めることを示しています。 評価精度(例えばデバッグタスク)では、構造知識がより支配的であり、予測精度(例えば、リソース管理タスク)では、硬さがより強い役割を果たす。 これらの結果は、システム設計者に対して実用的な洞察を与え、戦略的に時間を割り当て、システムの特性と与えられたタスクの目的に基づいて適切なモデリングアプローチを選択するよう指示する。

関連論文リスト

• Not-Just-Scaling Laws: Towards a Better Understanding of the Downstream Impact of Language Model Design Decisions [65.89403417819764]
  設計選択が言語モデル能力に与える影響を定量化する。 モデルサイズとトレーニングトークンの数以外の機能を組み込むことで、下流のパフォーマンスを予測する能力が3～28%向上する。
  論文  参考訳（メタデータ） (2025-03-05T19:46:04Z)
• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  大規模なニューラルネットワークは予測タスクに優れるが、タンパク質工学や材料発見といった設計問題への応用には、オフラインモデルベース最適化(MBO)の問題を解決する必要がある。 機能的グラフィカルモデル(FGM)を用いてブラックボックス関数の構造を学習するトランスフォーマーベースのアーキテクチャであるCliqueformerを提案する。 化学および遺伝子設計タスクを含む様々な領域において、Cliqueformerは既存の方法よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• Fine-tuning large language models for domain adaptation: Exploration of training strategies, scaling, model merging and synergistic capabilities [4.389938747401259]
  本研究は、材料科学や工学などの分野における大規模言語モデル(LLM)に対する微調整戦略の効果について考察する。 複数の微調整モデルの融合は、親モデルの個々の貢献を超越した能力の出現につながる可能性がある。
  論文  参考訳（メタデータ） (2024-09-05T11:49:53Z)
• Configurable Foundation Models: Building LLMs from a Modular Perspective [115.63847606634268]
  LLMを多数の機能モジュールに分解する傾向が高まり、複雑なタスクに取り組むためにモジュールの一部とモジュールの動的アセンブリを推論することができる。 各機能モジュールを表すブロックという用語を造語し、モジュール化された構造をカスタマイズ可能な基礎モデルとして定義する。 検索とルーティング,マージ,更新,成長という,レンガ指向の4つの操作を提示する。 FFN層はニューロンの機能的特殊化と機能的ニューロン分割を伴うモジュラーパターンに従うことが判明した。
  論文  参考訳（メタデータ） (2024-09-04T17:01:02Z)
• Experimental evaluation of architectural software performance design patterns in microservices [5.662788913145226]
  本研究の目的は,設計パターンがシステム性能指標に与える影響を定量化することである。 実際のパフォーマンス測定は、モデルベースの予測と比較される。 その結果、ベンチマークシステムのパラメータ化が難しいにもかかわらず、モデルベースの予測は実際の実験と一致していることがわかった。
  論文  参考訳（メタデータ） (2024-08-20T12:21:40Z)
• Enhancing Dynamical System Modeling through Interpretable Machine Learning Augmentations: A Case Study in Cathodic Electrophoretic Deposition [0.8796261172196743]
  本稿では,物理システムのモデリング向上を目的とした包括的データ駆動フレームワークを提案する。 実証的応用として,電顕的電気泳動沈着(EPD)のモデル化を追求する。
  論文  参考訳（メタデータ） (2024-01-16T14:58:21Z)
• Is a Modular Architecture Enough? [80.32451720642209]
  我々は、シンプルで既知のモジュラーデータ分散のレンズを通して、共通のモジュラーアーキテクチャを徹底的に評価する。 モジュール化と疎結合のメリットを強調し、モジュール化システムの最適化において直面する課題に関する洞察を明らかにします。
  論文  参考訳（メタデータ） (2022-06-06T16:12:06Z)
• Knowledge-Guided Dynamic Systems Modeling: A Case Study on Modeling River Water Quality [8.110949636804774]
  実世界の現象をモデル化することは、エコロジーモデリングや財務予測など、多くの科学と工学の取り組みの焦点である。 複雑な動的システムのための正確なモデルの構築は、基盤となるプロセスの理解を改善し、リソース効率に繋がる。 反対の極端に、データ駆動モデリングはデータから直接モデルを学び、広範囲なデータと潜在的に過剰なフィッティングを生成する。 中間的アプローチであるモデルリビジョンに注目し,事前知識とデータを組み合わせることで,両世界のベストを達成する。
  論文  参考訳（メタデータ） (2021-03-01T06:31:38Z)
• S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
  モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。 我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
  論文  参考訳（メタデータ） (2020-07-13T17:44:30Z)

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。