論文の概要: Improving Pattern Recognition of Scheduling Anomalies through Structure-Aware and Semantically-Enhanced Graphs
- arxiv url: http://arxiv.org/abs/2512.18673v1
- Date: Sun, 21 Dec 2025 10:27:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-23 18:54:32.45005
- Title: Improving Pattern Recognition of Scheduling Anomalies through Structure-Aware and Semantically-Enhanced Graphs
- Title（参考訳）: 構造認識と意味的拡張グラフによるスケジューリング異常のパターン認識の改善
- Authors: Ning Lyu, Junjie Jiang, Lu Chang, Chihui Shao, Feng Chen, Chong Zhang,
- Abstract要約: 本稿では,構造対応型スケジューリンググラフモデリング手法を提案する。
タスク実行ステージ、リソースノード状態、スケジューリングパス情報を統合して、動的に進化するスケジューリング動作グラフを構築する。
構造誘導とセマンティックアグリゲーションの併用により、スケジューリング行動グラフはより強力な異常分離性とパターン表現を示す。
- 参考スコア（独自算出の注目度）: 9.545534210398964
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a structure-aware driven scheduling graph modeling method to improve the accuracy and representation capability of anomaly identification in scheduling behaviors of complex systems. The method first designs a structure-guided scheduling graph construction mechanism that integrates task execution stages, resource node states, and scheduling path information to build dynamically evolving scheduling behavior graphs, enhancing the model's ability to capture global scheduling relationships. On this basis, a multi-scale graph semantic aggregation module is introduced to achieve semantic consistency modeling of scheduling features through local adjacency semantic integration and global topology alignment, thereby strengthening the model's capability to capture abnormal features in complex scenarios such as multi-task concurrency, resource competition, and stage transitions. Experiments are conducted on a real scheduling dataset with multiple scheduling disturbance paths set to simulate different types of anomalies, including structural shifts, resource changes, and task delays. The proposed model demonstrates significant performance advantages across multiple metrics, showing a sensitive response to structural disturbances and semantic shifts. Further visualization analysis reveals that, under the combined effect of structure guidance and semantic aggregation, the scheduling behavior graph exhibits stronger anomaly separability and pattern representation, validating the effectiveness and adaptability of the method in scheduling anomaly detection tasks.
- Abstract（参考訳）: 本稿では,複雑なシステムのスケジューリング動作における異常識別の精度と表現性を改善するために,構造対応型スケジューリンググラフモデリング手法を提案する。
提案手法はまず,タスク実行段階,リソースノード状態,スケジューリング経路情報を統合して動的に進化するスケジューリング行動グラフを構築する構造誘導型スケジューリンググラフ構築機構を設計し,グローバルなスケジューリング関係を捕捉するモデルの能力を高める。
そこで, マルチタスク並列処理や資源競合, ステージ遷移といった複雑なシナリオにおいて, 異常な特徴を捕捉するモデルの能力を強化するため, 局所的な隣接セマンティック統合とグローバルトポロジアライメントによるスケジューリング機能のセマンティック一貫性モデリングを実現するために, マルチスケールグラフセマンティックアグリゲーションモジュールを導入した。
構造シフト、リソース変更、タスク遅延など、さまざまなタイプの異常をシミュレートするために、複数のスケジューリング障害パスが設定された、実際のスケジューリングデータセット上で実験が行われる。
提案モデルでは, 構造的乱れやセマンティックシフトに敏感な応答を示すため, 複数の指標間で大きな性能上の優位性を示す。
さらに可視化分析により,構造ガイダンスとセマンティックアグリゲーションの併用により,スケジューリング動作グラフはより強い異常分離性とパターン表現を示し,異常検出タスクのスケジューリングにおける手法の有効性と適応性を検証する。
関連論文リスト
- Topology Identification and Inference over Graphs [61.06365536861156]
グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。
本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
論文 参考訳（メタデータ） (2025-12-11T00:47:09Z) - A Hierarchical Quantized Tokenization Framework for Task-Adaptive Graph Representation Learning [8.608851021844576]
この研究は、複数のスケールにわたるタスク適応アグリゲーションのための自己重み付け機構を導入する階層的な量子化フレームワークを提案する。
ノード分類とリンク予測のためのベンチマークデータセットの実験では、同等の計算予算の下で、強いベースラインよりも一貫した改善が示されている。
論文 参考訳（メタデータ） (2025-10-14T10:36:43Z) - Topology-Aware Graph Reinforcement Learning for Dynamic Routing in Cloud Networks [7.718608301354158]
メソッドは状態表現と構造進化のための統一されたフレームワークを構築する。
動的トポロジの下で、決定の不安定性と構造的認識の不十分な課題に取り組むことを目的としている。
提案手法は, 動的・複雑なクラウドネットワークにおいて, 効率的かつロバストなルーティングを実現する。
論文 参考訳（メタデータ） (2025-09-05T09:55:28Z) - Graph Neural Network and Transformer Integration for Unsupervised System Anomaly Discovery [14.982273490507986]
本研究では,分散バックエンドサービスシステムを対象とした教師なし異常検出手法を提案する。
複雑な構造的依存関係、多様な振る舞いの進化、ラベル付きデータの欠如といった現実的な課題に対処する。
その結果,提案手法はいくつかの重要な指標において既存モデルよりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-08-13T00:35:58Z) - Semantic Item Graph Enhancement for Multimodal Recommendation [49.66272783945571]
マルチモーダルレコメンデーションシステムは、商品のマルチモーダル情報を活用することで、パフォーマンスの向上に注目が集まっている。
先行する手法は、しばしばモダリティ固有のアイテム・イテム意味グラフを生のモダリティの特徴から構築する。
これらのセマンティックグラフは、アイテム間の協調信号のモデリングが不十分ななど、セマンティックな欠陥に悩まされている。
論文 参考訳（メタデータ） (2025-08-08T09:20:50Z) - Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。
本研究では,時間領域毎に最適な因果予測値が得られることを示す。
合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
論文 参考訳（メタデータ） (2025-06-21T14:05:37Z) - Graph Neural Network-Based Collaborative Perception for Adaptive Scheduling in Distributed Systems [0.0]
本稿では,GNNに基づくマルチノード協調認識機構を提案する。
メッセージパッシングと状態更新モジュールが導入される。
グローバルな特徴を持つ局所状態を融合させて認識表現法を設計する。
論文 参考訳（メタデータ） (2025-05-22T05:34:02Z) - Structural-Temporal Coupling Anomaly Detection with Dynamic Graph Transformer [41.16574023720132]
動的グラフトランスモデルを用いた構造・時間結合異常検出アーキテクチャを提案する。
具体的には、2つの統合レベルから構造的特徴と時間的特徴を導入し、異常を意識したグラフの進化パターンを提供する。
論文 参考訳（メタデータ） (2025-05-13T08:10:41Z) - Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。
グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。
合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
論文 参考訳（メタデータ） (2024-10-09T15:15:40Z) - EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。
EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
論文 参考訳（メタデータ） (2023-03-22T06:35:08Z)
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。