論文の概要: Cluster Workload Allocation: A Predictive Approach Leveraging Machine Learning Efficiency

• arxiv url: http://arxiv.org/abs/2509.17695v1
• Date: Mon, 22 Sep 2025 12:33:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.377819
• Title: Cluster Workload Allocation: A Predictive Approach Leveraging Machine Learning Efficiency
• Title（参考訳）: クラスタ・ワークロード・アロケーション: 機械学習の効率性を活用した予測的アプローチ
• Authors: Leszek Sliwko,
• Abstract要約: 本研究では、機械学習(ML)アルゴリズムがワークロード割り当て戦略をどのように支援できるかを検討する。 実世界のGoogle Cluster Data(GCD)ワークロードトレースとAGOCSフレームワークを使用して、調査はノード属性とタスク制約を抽出する。 分析されたGCDクラスタ内の12.5kノードのうち、単一のノードで実行可能か、1000未満のタスクに重点を置いている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This research investigates how Machine Learning (ML) algorithms can assist in workload allocation strategies by detecting tasks with node affinity operators (referred to as constraint operators), which constrain their execution to a limited number of nodes. Using real-world Google Cluster Data (GCD) workload traces and the AGOCS framework, the study extracts node attributes and task constraints, then analyses them to identify suitable node-task pairings. It focuses on tasks that can be executed on either a single node or fewer than a thousand out of 12.5k nodes in the analysed GCD cluster. Task constraint operators are compacted, pre-processed with one-hot encoding, and used as features in a training dataset. Various ML classifiers, including Artificial Neural Networks, K-Nearest Neighbours, Decision Trees, Naive Bayes, Ridge Regression, Adaptive Boosting, and Bagging, are fine-tuned and assessed for accuracy and F1-scores. The final ensemble voting classifier model achieved 98% accuracy and a 1.5-1.8% misclassification rate for tasks with a single suitable node.
• Abstract（参考訳）: 本研究では,機械学習(ML)アルゴリズムが,ノード親和性演算子(制約演算子)によるタスクの検出によって,タスクの実行を限られたノードに制限することで,作業負荷割当戦略を支援する方法について検討する。 実世界のGoogle Cluster Data(GCD)ワークロードトレースとAGOCSフレームワークを使用して、ノード属性とタスク制約を抽出し、適切なノードとタスクのペアリングを特定する。 分析されたGCDクラスタ内の12.5kノードのうち、単一のノードで実行可能か、1000未満のタスクに重点を置いている。 タスク制約演算子は圧縮され、ワンホットエンコーディングで前処理され、トレーニングデータセットの機能として使用される。 ニューラルネットワーク、K-Nearest Neighbours、Decision Trees、Naive Bayes、Rook Regression、Adaptive Boosting、Baggingなど、さまざまなML分類器が微調整され、精度とF1スコアで評価される。 最終的なアンサンブル投票分類モデルでは、98%の精度と、1つの適切なノードを持つタスクの1.5-1.8%の誤分類率を達成した。

関連論文リスト

• Adaptive and Robust DBSCAN with Multi-agent Reinforcement Learning [53.527506374566485]
  本稿では,多エージェント強化学習クラスタフレームワーク,すなわちAR-DBSCANを用いた新しいAdaptive and Robust DBSCANを提案する。 我々は、AR-DBSCANが、NMIおよびARIメトリクスの最大144.1%と175.3%のクラスタリング精度を向上するだけでなく、支配的なパラメータを確実に見つけることができることを示した。
  論文  参考訳（メタデータ） (2025-05-07T11:37:23Z)
• A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
  サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。 我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-17T04:41:07Z)
• PolicyClusterGCN: Identifying Efficient Clusters for Training Graph Convolutional Networks [23.437482392702627]
  グラフ畳み込みネットワーク(GCN)は、グラフ構造化データ上での機械学習(ML)タスクにおいて大きな成功を収めている。 本稿では,GCNトレーニングのための優れたクラスタを識別可能なオンラインRLフレームワークであるPolicyClusterGCNを提案する。 我々は、政策ネットワークが重要度を予測できるように、新しいマルコフ決定プロセス(MDP)を策定する。
  論文  参考訳（メタデータ） (2023-06-25T22:17:25Z)
• Dink-Net: Neural Clustering on Large Graphs [59.10189693120368]
  ディープグラフクラスタリング法 (Dink-Net) は, 拡張と縮小という概念を用いて提案される。 ノードを識別することにより、拡張によって劣化しても、表現は自己教師された方法で学習される。 クラスタリング分布は、提案したクラスタ拡張損失とクラスタ縮小損失を最小化することにより最適化される。 ランナアップと比較して、Dink-Net 9.62%は1100万ノードと16億エッジを持つogbn-papers100MデータセットでNMIの改善を実現している。
  論文  参考訳（メタデータ） (2023-05-28T15:33:24Z)
• DeepCut: Unsupervised Segmentation using Graph Neural Networks Clustering [6.447863458841379]
  本研究では,従来のクラスタリング手法を置き換える軽量グラフニューラルネットワーク(GNN)を提案する。 既存の手法とは異なり、GNNはローカル画像特徴と生特徴とのペアワイズ親和性の両方を入力として取ります。 画像セグメンテーションGNNを訓練するための自己教師付き損失関数として,古典的クラスタリングの目的を定式化する方法を実証する。
  論文  参考訳（メタデータ） (2022-12-12T12:31:46Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)
• Clustering with Fast, Automated and Reproducible assessment applied to longitudinal neural tracking [3.817161834189992]
  C-FARは階層的クラスタリングアルゴリズムを同時に評価する新しい手法である。 提案アルゴリズムは,複数の階層的クラスタリング木を入力として,人間のフィードバックに対して戦略的にペアを問合せし,これらの木に推薦された木の中から最適なクラスタリングを出力する。 私たちのフラッグシップアプリケーションは、スパイクソートにおけるクラスタアグリゲーションステップであり、ニューロンに録音中の波形(スパイク)を割り当てるタスクです。
  論文  参考訳（メタデータ） (2020-03-19T01:33:00Z)
• Graph Neighborhood Attentive Pooling [0.5493410630077189]
  ネットワーク表現学習(NRL)は,高次元およびスパースグラフの低次元ベクトル表現を学習するための強力な手法である。 本稿では,ノード近傍の異なる部分への入場を注意型プールネットワークを用いて学習するGAPと呼ばれる新しい文脈依存アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-28T15:05:48Z)

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。