論文の概要: Reconstruction-Based Adaptive Scheduling Using AI Inferences in Safety-Critical Systems

• arxiv url: http://arxiv.org/abs/2509.20513v1
• Date: Wed, 24 Sep 2025 19:38:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.570786
• Title: Reconstruction-Based Adaptive Scheduling Using AI Inferences in Safety-Critical Systems
• Title（参考訳）: 安全臨界システムにおけるAI推論を用いた再構成に基づく適応スケジューリング
• Authors: Samer Alshaer, Ala Khalifeh, Roman Obermaisser,
• Abstract要約: 本稿では,スケジュールの動的検証とアセンブルを目的とした新しい再構築フレームワークを提案する。 堅牢な安全性チェック、効率的なアロケーションアルゴリズム、予期しないコンテキストイベントを処理するリカバリメカニズムが組み込まれている。 提案するフレームワークは,システム適応性,運用上の整合性,実行時のパフォーマンスを著しく向上させる。
• 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: Adaptive scheduling is crucial for ensuring the reliability and safety of time-triggered systems (TTS) in dynamic operational environments. Scheduling frameworks face significant challenges, including message collisions, locked loops from incorrect precedence handling, and the generation of incomplete or invalid schedules, which can compromise system safety and performance. To address these challenges, this paper presents a novel reconstruction framework designed to dynamically validate and assemble schedules. The proposed reconstruction models operate by systematically transforming AI-generated or heuristically derived scheduling priorities into fully executable schedules, ensuring adherence to critical system constraints such as precedence rules and collision-free communication. It incorporates robust safety checks, efficient allocation algorithms, and recovery mechanisms to handle unexpected context events, including hardware failures and mode transitions. Comprehensive experiments were conducted across multiple performance profiles, including makespan minimisation, workload balancing, and energy efficiency, to validate the operational effectiveness of the reconstruction models. Results demonstrate that the proposed framework significantly enhances system adaptability, operational integrity, and runtime performance while maintaining computational efficiency. Overall, this work contributes a practical and scalable solution to the problem of safe schedule generation in safety-critical TTS, enabling reliable and flexible real-time scheduling even under highly dynamic and uncertain operational conditions.
• Abstract（参考訳）: 動的運用環境におけるTTS(Time-Triggered System)の信頼性と安全性を確保するためには,適応スケジューリングが不可欠である。 スケジューリングフレームワークは、メッセージの衝突、不正な優先順位処理からのロックループ、不完全あるいは不正なスケジュールの生成など、システムの安全性とパフォーマンスを損なう可能性のある重大な課題に直面している。 これらの課題に対処するため,本論文ではスケジュールの動的検証とアセンブルを目的とした新しい再構築フレームワークを提案する。 提案した再構成モデルは、AI生成またはヒューリスティックに導出されたスケジューリング優先順位を、完全に実行可能なスケジュールに体系的に変換し、優先規則や衝突のない通信のような重要なシステム制約に固執することを保証する。 堅牢な安全性チェック、効率的なアロケーションアルゴリズム、ハードウェア障害やモード遷移を含む予期せぬコンテキストイベントを処理するリカバリメカニズムが組み込まれている。 再現モデルの運用性を検証するため, メースパンの最小化, 作業負荷分散, エネルギー効率など, 複数の性能プロファイルの総合的な実験を行った。 提案手法は,計算効率を維持しつつ,システム適応性,運用上の整合性,実行時の性能を著しく向上することを示す。 全体として、この研究は安全クリティカルなTSSにおける安全なスケジュール生成の問題に対する実用的でスケーラブルな解決に寄与し、高度に動的で不確実な運用条件下であっても、信頼性と柔軟なリアルタイムスケジューリングを可能にする。

関連論文リスト

• CARE: Decoding Time Safety Alignment via Rollback and Introspection Intervention [68.95008546581339]
  Contrastive Decodingのような既存のデコーディングタイムの介入は、安全と応答品質の間に深刻なトレードオフを強いることが多い。 本稿では,3つの重要なコンポーネントを統合した,復号時安全アライメントのための新しいフレームワークであるCAREを提案する。 このフレームワークは、安全性、品質、効率のバランスが良く、有害な応答率が低く、ユーザエクスペリエンスを最小限に破壊できる。
  論文  参考訳（メタデータ） (2025-09-01T04:50:02Z)
• TRATSS: Transformer-Based Task Scheduling System for Autonomous Vehicles [8.073451025446454]
  我々は Transformer-Based Task Scheduling System (TRATSS) というフレームワークを導入する。 TRATSSは、タスク要求とリソースの可用性を動的に適用しながら、最適化されたタスクスケジューリング決定を出力する。
  論文  参考訳（メタデータ） (2025-04-07T18:23:13Z)
• Flow: Modularized Agentic Workflow Automation [53.073598156915615]
  大規模言語モデル(LLM)を利用したマルチエージェントフレームワークは、自動計画とタスク実行において大きな成功を収めている。 しかし, 実行中のエージェントの効果的な調整は十分に研究されていない。 本稿では,エージェントによる継続的なワークフロー改善を可能にするアクティビティ・オン・頂点(AOV)グラフを定義する。 提案するマルチエージェントフレームワークは,サブタスクの効率的な同時実行,効果的なゴール達成,エラー耐性の向上を実現している。
  論文  参考訳（メタデータ） (2025-01-14T04:35:37Z)
• A Retention-Centric Framework for Continual Learning with Guaranteed Model Developmental Safety [75.8161094916476]
  現実世界のアプリケーションでは、学習可能なシステムは、しばしば課題や新しいタスクに対処するために反復的なモデル開発を行う。 既存の能力の新規または改善は、必然的に旧モデルの優れた能力を失う可能性がある。 本稿では,データ依存制約を伴う保持中心のフレームワークを提案し,既存の画像分類能力の獲得や改善を目的とした事前学習型CLIPモデルを継続的に開発する方法について検討する。
  論文  参考訳（メタデータ） (2024-10-04T22:34:58Z)
• Enhancing Attack Resilience in Real-Time Systems through Variable Control Task Sampling Rates [2.238622204691961]
  各種制御タスクのサンプリングレートに対する有効なスケジュール間の実行時切替を可能にする新しいスケジュール脆弱性解析手法を提案する。 本稿では、リアルタイムシステムにおけるタイミング推定攻撃の成功率を低減するために、固定優先度スケジューラのためのマルチレートアタック・アウェア・ランダム化スケジューリング(MAARS)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-01T07:25:15Z)
• Constant-time Motion Planning with Anytime Refinement for Manipulation [17.543746580669662]
  本研究では,CTMP(Constant-time Motion Planners)アルゴリズムと組み合わせたリアルタイム改良手法を提案する。 提案するフレームワークは,定数時間アルゴリズムとして動作するため,ユーザ定義時間しきい値内の初期解を高速に生成する。 任意の時間アルゴリズムとして機能し、割り当てられた時間予算内で、ソリューションの品質を反復的に改善します。
  論文  参考訳（メタデータ） (2023-11-01T20:40:10Z)
• A Constraint Enforcement Deep Reinforcement Learning Framework for Optimal Energy Storage Systems Dispatch [0.0]
  エネルギー貯蔵システム(ESS)の最適供給は、動的価格の変動、需要消費、再生可能エネルギーの発生による深刻な課題を提起する。 ディープニューラルネットワーク(DNN)の一般化機能を活用することで、ディープ強化学習(DRL)アルゴリズムは、分散ネットワークの性質に適応して応答する良質な制御モデルを学ぶことができる。 本稿では,オンライン操作における環境や行動空間の運用制約を厳格に実施しながら,継続的な行動空間を効果的に処理するDRLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-26T17:12:04Z)
• Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
  CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。 次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。 これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
  論文  参考訳（メタデータ） (2022-08-23T05:02:09Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化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） (2020-07-14T12:38:21Z)

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。