論文の概要: Hephaestus: Mixture Generative Modeling with Energy Guidance for Large-scale QoS Degradation

• arxiv url: http://arxiv.org/abs/2510.17036v1
• Date: Sun, 19 Oct 2025 22:48:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.259502
• Title: Hephaestus: Mixture Generative Modeling with Energy Guidance for Large-scale QoS Degradation
• Title（参考訳）: Hephaestus: 大規模QoS劣化のためのエネルギー誘導による混合生成モデリング
• Authors: Nguyen Do, Bach Ngo, Youval Kashuv, Canh V. Pham, Hanghang Tong, My T. Thai,
• Abstract要約: 本稿では,QoSD(Quality of Service Degradation)問題について考察する。 非線形エッジウェイト関数の下では、RefineD問題に直接対処する先行モデルは存在しない。 この研究は、潜在空間における実現可能な解を合成する自己強化フレームワークであるPIMMAを提案する。
• 参考スコア（独自算出の注目度）: 44.97875113025023
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We study the Quality of Service Degradation (QoSD) problem, in which an adversary perturbs edge weights to degrade network performance. This setting arises in both network infrastructures and distributed ML systems, where communication quality, not just connectivity, determines functionality. While classical methods rely on combinatorial optimization, and recent ML approaches address only restricted linear variants with small-size networks, no prior model directly tackles the QoSD problem under nonlinear edge-weight functions. This work proposes \PIMMA, a self-reinforcing generative framework that synthesizes feasible solutions in latent space, to fill this gap. Our method includes three phases: (1) Forge: a Predictive Path-Stressing (PPS) algorithm that uses graph learning and approximation to produce feasible solutions with performance guarantee, (2) Morph: a new theoretically grounded training paradigm for Mixture of Conditional VAEs guided by an energy-based model to capture solution feature distributions, and (3) Refine: a reinforcement learning agent that explores this space to generate progressively near-optimal solutions using our designed differentiable reward function. Experiments on both synthetic and real-world networks show that our approach consistently outperforms classical and ML baselines, particularly in scenarios with nonlinear cost functions where traditional methods fail to generalize.
• Abstract（参考訳）: 本稿では,QoSD(Quality of Service Degradation)問題について考察する。 この設定は、通信品質が単に接続だけでなく機能を決定するネットワークインフラストラクチャと分散MLシステムの両方で発生します。 古典的手法は組合せ最適化に依存しており、近年のMLアプローチでは、小さなネットワークを持つ制限付き線形変種にのみ対応しているが、非線形エッジウェイト関数の下でQoSD問題に直接対処する以前のモデルはない。 本研究は、このギャップを埋めるために、潜在空間で実現可能な解を合成する自己強化生成フレームワークである \PIMMA を提案する。 提案手法は,(1)予測パスストレッシング(PPS: Predictive Path-Stressing, 予測パスストレッシング, PPS: Predictive Path-Stressing, 予測パスストレッシング, PPS: Predictive Path-Stressing, 予測パスストレッシング, PPS: Predictive Path-Stressing, 予測パスストレッシング, PPS: Predictive Path-Stressing, 予測パスストレッシング, PPS: Predictive Path-Stressing, PPS)アルゴリズムの3段階を含む。 合成と実世界の両方のネットワークの実験により、従来の手法が一般化できない非線形コスト関数を持つシナリオにおいて、我々のアプローチは古典的およびMLベースラインを一貫して上回ることを示した。

関連論文リスト

• Localized Physics-informed Gaussian Processes with Curriculum Training for Topology Optimization [3.6352820455705372]
  物理インフォームドガウス過程(GP)に基づく同時かつメッシュフリーなトポロジー最適化(TO)フレームワークを提案する。 我々のフレームワークは、カスタマイズされたディープニューラルネットワーク(DNN)を介してパラメータ化される共有のマルチアウトプット平均関数を持つGPプリエントを介して、すべての設計と状態変数を提供する。 我々のTOアプローチは、適切に定義された材料インターフェースを生成し、グローバルな最適性を促進するための継続特性を内蔵している。
  論文  参考訳（メタデータ） (2025-03-18T22:59:16Z)
• CVaR-Based Variational Quantum Optimization for User Association in Handoff-Aware Vehicular Networks [23.140655547353994]
  本稿では、車両ネットワーク(VNet)における一般化代入問題(GAP)に対処するための、CVaRに基づく変動量子固有解法(VQE)フレームワークを提案する。 提案手法は, 目的と制約固有のペナルティのバランスを保ち, 解の質と安定性を向上させるために, 調整されたコスト関数を統合するハイブリッド量子古典構造を利用する。 本稿では,この枠組みを,ディープニューラルネットワーク(DNN)アプローチと比較して23.5%改善したVNetのユーザ連想問題に適用する。
  論文  参考訳（メタデータ） (2025-01-14T20:21:06Z)
• Rational-WENO: A lightweight, physically-consistent three-point weighted essentially non-oscillatory scheme [14.120671138290104]
  我々は、解の局所的な滑らかさを正確に推定するために有理ニューラルネットワークを用いる。 この手法は, 散逸を著しく低減した粒度の再構築を実現する。 提案手法の有効性を,数個の1次元,2次元,3次元の流体問題に対して示す。
  論文  参考訳（メタデータ） (2024-09-13T22:11:03Z)
• DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
  生成拡散モデルは、様々なクロスドメインアプリケーションで人気がある。 これらのモデルは複雑なネットワーク最適化問題に対処する上で有望である。 本稿では拡散モデルに基づく解生成という,拡散モデル生成のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T07:56:21Z)
• Solving Inverse Problems with Model Mismatch using Untrained Neural Networks within Model-based Architectures [14.551812310439004]
  モデルベースアーキテクチャでは,各インスタンスの計測領域におけるデータの一貫性を一致させるために,トレーニングされていないフォワードモデル残差ブロックを導入する。 提案手法は,パラメータ感受性が低く,追加データを必要としない統一解を提供し,前方モデルの同時適用と1パスの再構成を可能にする。
  論文  参考訳（メタデータ） (2024-03-07T19:02:13Z)
• Learning Constrained Optimization with Deep Augmented Lagrangian Methods [54.22290715244502]
  機械学習(ML)モデルは、制約付き最適化ソルバをエミュレートするために訓練される。 本稿では,MLモデルを用いて2つの解推定を直接予測する手法を提案する。 これにより、双対目的が損失関数であるエンドツーエンドのトレーニングスキームと、双対上昇法をエミュレートした原始的実現可能性への解推定を可能にする。
  論文  参考訳（メタデータ） (2024-03-06T04:43:22Z)
• Modeling Design and Control Problems Involving Neural Network Surrogates [1.1602089225841632]
  ニューラルネットワークで表される代理モデルを含む非線形最適化問題を考察する。 ニューラルネットワーク評価を直接最適化モデルに組み込む方法を示し、収束を防止できるこのアプローチの難しさを強調します。 本稿では、ReLUを活性化したフィードフォワードニューラルネットワークの特定の場合において、これらの問題の2つの別の定式化を提案する。
  論文  参考訳（メタデータ） (2021-11-20T01:09:15Z)
• Local AdaGrad-Type Algorithm for Stochastic Convex-Concave Minimax Problems [80.46370778277186]
  大規模凸凹型ミニマックス問題は、ゲーム理論、堅牢なトレーニング、生成的敵ネットワークのトレーニングなど、多くの応用で発生する。 通信効率のよい分散外グレードアルゴリズムであるLocalAdaSientを開発した。 サーバモデル。 等質な環境と異質な環境の両方において,その有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-18T09:42:05Z)

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。