論文の概要: Signal-Aware Workload Shifting Algorithms with Uncertainty-Quantified Predictors

• arxiv url: http://arxiv.org/abs/2509.26511v1
• Date: Tue, 30 Sep 2025 16:51:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.626446
• Title: Signal-Aware Workload Shifting Algorithms with Uncertainty-Quantified Predictors
• Title（参考訳）: 不確かさを定量化した予測器を用いた信号対応作業負荷シフトアルゴリズム
• Authors: Ezra Johnson, Adam Lechowicz, Mohammad Hajiesmaili,
• Abstract要約: ワークロードシフトはサステナビリティとグリッド統合戦略に影響を与える。 オンラインワークロードシフトは、不確実性定量化予測器を活用して意思決定を改善することができる。 我々は,UQ予測を$textitdecision不確実性スコアを通じて統合する学習補助アルゴリズムである$textttUQ-Advice$を紹介した。
• 参考スコア（独自算出の注目度）: 10.20532871525325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A wide range of sustainability and grid-integration strategies depend on workload shifting, which aligns the timing of energy consumption with external signals such as grid curtailment events, carbon intensity, or time-of-use electricity prices. The main challenge lies in the online nature of the problem: operators must make real-time decisions (e.g., whether to consume energy now) without knowledge of the future. While forecasts of signal values are typically available, prior work on learning-augmented online algorithms has relied almost exclusively on simple point forecasts. In parallel, the forecasting research has made significant progress in uncertainty quantification (UQ), which provides richer and more fine-grained predictive information. In this paper, we study how online workload shifting can leverage UQ predictors to improve decision-making. We introduce $\texttt{UQ-Advice}$, a learning-augmented algorithm that systematically integrates UQ forecasts through a $\textit{decision uncertainty score}$ that measures how forecast uncertainty affects optimal future decisions. By introducing $\textit{UQ-robustness}$, a new metric that characterizes how performance degrades with forecast uncertainty, we establish theoretical performance guarantees for $\texttt{UQ-Advice}$. Finally, using trace-driven experiments on carbon intensity and electricity price data, we demonstrate that $\texttt{UQ-Advice}$ consistently outperforms robust baselines and existing learning-augmented methods that ignore uncertainty.
• Abstract（参考訳）: 幅広いサステナビリティとグリッド統合戦略は、電力消費のタイミングをグリッド削減イベント、炭素強度、使用時間の電気価格といった外部信号と整合させる作業負荷シフトに依存する。 主な課題は、この問題のオンライン的性質にある。オペレーターは、未来を知らずに、リアルタイムな決定(例えば、現在エネルギーを消費するかどうか)をしなければならない。 信号値の予測は一般的に利用可能であるが、学習強化されたオンラインアルゴリズムの事前の作業は、ほとんど単純なポイント予測に依存している。 並行して、予測研究は、よりリッチでよりきめ細かい予測情報を提供する不確実性定量化(UQ)に大きな進歩をもたらした。 本稿では,オンライン作業負荷シフトがUQ予測器をどのように活用して意思決定を改善するかを検討する。 このアルゴリズムは、予測の不確実性が最適な将来決定にどのように影響するかを測定するために、$\textit{UQ-Advice}$を通じてUQ予測を体系的に統合する。 $\textit{UQ-robustness}$の導入によって、予測の不確実性によってパフォーマンスがどのように低下するかを特徴付ける新しいメトリクスが、$\textt{UQ-Advice}$の理論的なパフォーマンス保証を確立する。 最後に、炭素強度と電気価格データに関するトレース駆動実験を用いて、$\texttt{UQ-Advice}$が、不確実性を無視した堅牢なベースラインと既存の学習強化手法を一貫して上回っていることを示す。

関連論文リスト

• AdaSwitch: An Adaptive Switching Meta-Algorithm for Learning-Augmented Bounded-Influence Problems [9.387255955861162]
  シーケンスベース予測を用いた複数周期オンライン意思決定問題のクラスについて検討する。 各期間において、意思決定者は、実現された要求を観察し、報酬を得る、またはコストを請求する不可解な措置を取らなければならない。 我々は、過去の決定と要求が将来の最適報酬に限定的な影響を与えるような、バウンド・インフルエンス・フレームワークを導入する。 本稿では,AdaSwitchメタアルゴリズムを提案する。これは,予測が正確である場合に,オフラインベンチマークに近い性能を達成するために,予測を利用する。
  論文  参考訳（メタデータ） (2025-09-02T13:26:23Z)
• Timing is Important: Risk-aware Fund Allocation based on Time-Series Forecasting [10.540006708939647]
  我々は、資金配分の問題を解決するために、リスク対応の時系列予測(RTS-PnO)フレームワークを導入する。 このフレームワークには, 目標アライメント測定によるエンドツーエンドトレーニング, (ii) 適応予測の不確実性校正, (iii) 予測モデルに非依存な3つの特徴がある。 RTS-PnOの評価はオンラインとオフラインの両方の実験で行われている。
  論文  参考訳（メタデータ） (2025-05-30T17:36:45Z)
• TransPath: Learning Heuristics For Grid-Based Pathfinding via Transformers [64.88759709443819]
  探索の効率を顕著に向上させると考えられる,インスタンス依存のプロキシを学習することを提案する。 私たちが最初に学ぶことを提案するプロキシは、補正係数、すなわち、インスタンスに依存しないコスト・ツー・ゴの見積もりと完璧な見積もりの比率である。 第2のプロキシはパス確率であり、グリッドセルが最も短いパスに横たわっている可能性を示している。
  論文  参考訳（メタデータ） (2022-12-22T14:26:11Z)
• Online Search with Predictions: Pareto-optimal Algorithm and its Applications in Energy Markets [32.50099216716867]
  本稿では、揮発性電力市場におけるエネルギー取引のための学習強化アルゴリズムを開発する。 オンライン検索問題に対する競合アルゴリズムの設計には,機械学習による予測が組み込まれている。
  論文  参考訳（メタデータ） (2022-11-12T04:12:10Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Robustification of Online Graph Exploration Methods [59.50307752165016]
  我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。 本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-10T10:02:31Z)
• Temporal-Difference Value Estimation via Uncertainty-Guided Soft Updates [110.92598350897192]
  Q-Learningは、制御タスクを実行するポリシーを学ぶのに効果的であることが証明されている。 推定ノイズは、政策改善ステップにおける最大演算子の後、バイアスとなる。 UQL(Unbiased Soft Q-Learning)は、2つのアクション、有限状態空間からマルチアクション、無限状態マルコフ決定プロセスまで、EQLの作業を拡張する。
  論文  参考訳（メタデータ） (2021-10-28T00:07:19Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Optimal Robustness-Consistency Trade-offs for Learning-Augmented Online Algorithms [85.97516436641533]
  機械学習予測を取り入れたオンラインアルゴリズムの性能向上の課題について検討する。 目標は、一貫性と堅牢性の両方を備えたアルゴリズムを設計することだ。 機械学習予測を用いた競合解析のための非自明な下界の最初のセットを提供する。
  論文  参考訳（メタデータ） (2020-10-22T04:51:01Z)

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。