論文の概要: HyperLoad: A Cross-Modality Enhanced Large Language Model-Based Framework for Green Data Center Cooling Load Prediction

• arxiv url: http://arxiv.org/abs/2512.19114v1
• Date: Mon, 22 Dec 2025 07:35:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.658575
• Title: HyperLoad: A Cross-Modality Enhanced Large Language Model-Based Framework for Green Data Center Cooling Load Prediction
• Title（参考訳）: HyperLoad:グリーンデータセンタの冷却負荷予測のためのクロスモーダル拡張大規模言語モデルベースフレームワーク
• Authors: Haoyu Jiang, Boan Qu, Junjie Zhu, Fanjie Zeng, Xiaojie Lin, Wei Zhong,
• Abstract要約: HyperLoadは、トレーニング済みの大規模言語モデル(LLM)を利用して、データの不足を克服する、クロスモダリティフレームワークである。 クロスモーダル知識アライメントフェーズでは、テキスト先行データと時系列データを共通の潜在空間にマッピングし、事前知識の有用性を最大化する。 マルチスケール・フィーチャー・モデリングのフェーズでは、ドメイン・アライン・プレフィックスが適応的なプレフィックス・チューニングによって注入され、迅速なシナリオ・アダプティブが実現される。
• 参考スコア（独自算出の注目度）: 11.99405055921592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid growth of artificial intelligence is exponentially escalating computational demand, inflating data center energy use and carbon emissions, and spurring rapid deployment of green data centers to relieve resource and environmental stress. Achieving sub-minute orchestration of renewables, storage, and loads, while minimizing PUE and lifecycle carbon intensity, hinges on accurate load forecasting. However, existing methods struggle to address small-sample scenarios caused by cold start, load distortion, multi-source data fragmentation, and distribution shifts in green data centers. We introduce HyperLoad, a cross-modality framework that exploits pre-trained large language models (LLMs) to overcome data scarcity. In the Cross-Modality Knowledge Alignment phase, textual priors and time-series data are mapped to a common latent space, maximizing the utility of prior knowledge. In the Multi-Scale Feature Modeling phase, domain-aligned priors are injected through adaptive prefix-tuning, enabling rapid scenario adaptation, while an Enhanced Global Interaction Attention mechanism captures cross-device temporal dependencies. The public DCData dataset is released for benchmarking. Under both data sufficient and data scarce settings, HyperLoad consistently surpasses state-of-the-art (SOTA) baselines, demonstrating its practicality for sustainable green data center management.
• Abstract（参考訳）: 人工知能の急速な成長は、計算需要を指数関数的に増加させ、データセンターのエネルギー使用と二酸化炭素排出量を膨らませ、資源と環境のストレスを和らげるために、グリーンデータセンターの迅速な展開を促している。 再生可能エネルギー、貯蔵および負荷のサブ分間のオーケストレーションを実現すると同時に、PUEとライフサイクル炭素強度を最小化し、正確な負荷予測を行う。 しかし、既存の手法では、コールドスタート、負荷歪み、マルチソースデータの断片化、グリーンデータセンタでの分散シフトによる小さなサンプルシナリオの解決に苦慮している。 このフレームワークは、トレーニング済みの大規模言語モデル(LLM)を利用して、データの不足を克服します。 クロスモーダル知識アライメントフェーズでは、テキスト先行データと時系列データを共通の潜在空間にマッピングし、事前知識の有用性を最大化する。 マルチスケール・フィーチャー・モデリングのフェーズでは、ドメイン・アライン・プレフィックスが適応的なプレフィックス・チューニングによって注入され、迅速なシナリオ適応が可能となり、拡張グローバル・インタラクション・アテンション機構がデバイス間の時間的依存関係をキャプチャする。 パブリックDCDataデータセットは、ベンチマーク用にリリースされている。 十分なデータとデータ不足の両方の下で、HyperLoadは一貫して最先端(SOTA)ベースラインを越え、持続可能なデータセンタ管理のための実用性を実証している。

関連論文リスト

• DCcluster-Opt: Benchmarking Dynamic Multi-Objective Optimization for Geo-Distributed Data Center Workloads [14.834687262955585]
  持続可能な時空間タスクスケジューリングのためのオープンソースの高忠実度シミュレーションベンチマークであるDCcluster-Optを提案する。 AIのワークロードトレース、グリッドカーボンの強度、電力市場、20のグローバルリージョンにわたる天候、クラウド送信コスト、経験的ネットワーク遅延パラメータなど、実世界のデータセットを組み合わせている。 モジュール型報酬システムは、二酸化炭素排出量、エネルギーコスト、サービスレベル合意、水利用の間のトレードオフを明示的に研究することを可能にする。
  論文  参考訳（メタデータ） (2025-10-31T03:07:12Z)
• Shifting AI Efficiency From Model-Centric to Data-Centric Compression [67.45087283924732]
  AI研究の焦点は、モデル中心の圧縮からデータ中心の圧縮へとシフトしている、と私たちは主張する。 データ中心圧縮は、モデルトレーニングや推論中に処理されたデータのボリュームを直接圧縮することで、AI効率を向上させる。 我々の研究は、AIの効率性に関する新たな視点を提供し、既存の取り組みを合成し、コンテキスト長の増大によって引き起こされる課題に対処するためにイノベーションを触媒することを目的としています。
  論文  参考訳（メタデータ） (2025-05-25T13:51:17Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• Federated Dynamic Modeling and Learning for Spatiotemporal Data Forecasting [1.492694722803554]
  本稿では,複雑な時間的データを予測するための高度なフェデレート学習(FL)フレームワークを提案する。 Gated Recurrent Unit(RU)モジュールをLong Short-Term Memory(LSTM)ネットワークに置き換える。 結果として生じるアーキテクチャは、様々な予測アプリケーションで複雑な時間パターンを扱う能力を大幅に改善します。
  論文  参考訳（メタデータ） (2025-03-06T15:16:57Z)
• Towards Data-Efficient Pretraining for Atomic Property Prediction [51.660835328611626]
  タスク関連データセットでの事前トレーニングは、大規模な事前トレーニングと一致するか、あるいは超える可能性があることを示す。 本稿では,コンピュータビジョンのFr'echet Inception Distanceにインスパイアされた,化学類似度指数(CSI)を紹介する。
  論文  参考訳（メタデータ） (2025-02-16T11:46:23Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• A Distribution-Aware Flow-Matching for Generating Unstructured Data for Few-Shot Reinforcement Learning [1.0709300917082865]
  数発の強化学習のための合成非構造化データを生成するための分布認識フローマッチング手法を提案する。 我々のアプローチは、オーバーフィッティングやデータ相関など、従来のモデルベースRLにおける重要な課題に対処する。 提案手法は,初期タイムスタンプのフレームレートを30%向上させながら,最大Q値で安定した収束を実現することを示す。
  論文  参考訳（メタデータ） (2024-09-21T15:50:59Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)

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。