論文の概要: Shared Representation Learning for High-Dimensional Multi-Task Forecasting under Resource Contention in Cloud-Native Backends

• arxiv url: http://arxiv.org/abs/2512.21102v1
• Date: Wed, 24 Dec 2025 11:02:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.760648
• Title: Shared Representation Learning for High-Dimensional Multi-Task Forecasting under Resource Contention in Cloud-Native Backends
• Title（参考訳）: クラウドネイティブバックエンドにおける資源競合を考慮した高次元マルチタスク予測のための共有表現学習
• Authors: Zixiao Huang, Jixiao Yang, Sijia Li, Chi Zhang, Jinyu Chen, Chengda Xu,
• Abstract要約: 本研究では,クラウドネイティブバックエンドシステムの予測要求を満たすため,高次元マルチタスク時系列の統一予測フレームワークを提案する。 本手法は,多様なモニタリング指標を統一的に表現するための共有符号化構造を構築する。 ノード間の潜在的な依存関係をモデル化するために、クロスタスク構造伝搬モジュールが導入された。
• 参考スコア（独自算出の注目度）: 12.826922983028082
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study proposes a unified forecasting framework for high-dimensional multi-task time series to meet the prediction demands of cloud native backend systems operating under highly dynamic loads, coupled metrics, and parallel tasks. The method builds a shared encoding structure to represent diverse monitoring indicators in a unified manner and employs a state fusion mechanism to capture trend changes and local disturbances across different time scales. A cross-task structural propagation module is introduced to model potential dependencies among nodes, enabling the model to understand complex structural patterns formed by resource contention, link interactions, and changes in service topology. To enhance adaptability to non-stationary behaviors, the framework incorporates a dynamic adjustment mechanism that automatically regulates internal feature flows according to system state changes, ensuring stable predictions in the presence of sudden load shifts, topology drift, and resource jitter. The experimental evaluation compares multiple models across various metrics and verifies the effectiveness of the framework through analyses of hyperparameter sensitivity, environmental sensitivity, and data sensitivity. The results show that the proposed method achieves superior performance on several error metrics and provides more accurate representations of future states under different operating conditions. Overall, the unified forecasting framework offers reliable predictive capability for high-dimensional, multi-task, and strongly dynamic environments in cloud native systems and provides essential technical support for intelligent backend management.
• Abstract（参考訳）: 本研究では,高動的負荷下で動作するクラウドネイティブバックエンドシステムの予測要求を満たすために,高次元マルチタスク時系列の統一予測フレームワークを提案する。 本手法は, 多様なモニタリング指標を統一的に表現するための共有符号化構造を構築し, 状態融合機構を用いて, 異なる時間スケールにおける傾向変化や局所的乱れを捉える。 クロスタスク構造伝搬モジュールは、ノード間の潜在的な依存関係をモデル化するために導入され、モデルがリソース競合、リンク相互作用、およびサービストポロジの変化によって形成される複雑な構造パターンを理解することができる。 非定常的な動作への適応性を高めるため、システム状態の変化に応じて内部の特徴フローを自動的に制御し、突然の負荷シフト、トポロジードリフト、リソースジッタの存在下で安定した予測を保証する動的調整機構が組み込まれている。 実験による評価は, 様々な指標のモデルを比較し, ハイパーパラメータ感度, 環境感度, およびデータ感度の分析により, フレームワークの有効性を検証する。 提案手法は,複数の誤差指標に対して優れた性能を示し,異なる動作条件下での将来の状態のより正確な表現を提供する。 全体として、統合予測フレームワークは、クラウドネイティブシステムの高次元、マルチタスク、強力な動的環境に対する信頼性の高い予測機能を提供し、インテリジェントなバックエンド管理に不可欠な技術的サポートを提供する。

関連論文リスト

• Artificial Intelligence-Based Multiscale Temporal Modeling for Anomaly Detection in Cloud Services [10.421371572062595]
  本研究では,マルチスケール特徴認識を統合したTransformerアーキテクチャに基づく異常検出手法を提案する。 提案手法は,精度,リコール,AUC,F1スコアなどの主要な指標において,主流のベースラインモデルより優れている。
  論文  参考訳（メタデータ） (2025-08-20T07:52:36Z)
• 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)
• Multi-Level Service Performance Forecasting via Spatiotemporal Graph Neural Networks [15.87545402988833]
  本稿では,分散システムにおける性能変動予測の課題を解決するために,時間グラフニューラルネットワークによる性能予測を提案する。 ノードサービスのランタイム機能とサービス間の呼び出し関係を統合し、統一されたフレームワークを構築する。 その結果,提案手法はMAE,RMSE,R2といった主要な指標において,既存の代表手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-08-09T23:50:47Z)
• Beyond Static Models: Hypernetworks for Adaptive and Generalizable Forecasting in Complex Parametric Dynamical Systems [0.0]
  補間ネットワーク学習のためのパラメトリックハイパーネットワーク(PHLieNet)について紹介する。 PHLieNetはパラメータ空間から非線形埋め込みへのグローバルマッピングと、推論埋め込みから動的伝播ネットワークの重みへのマッピングを同時に学習する。 観測よりもモデルの空間を補間することにより、PHLieNetはパラメータ化されたシステム挙動間のスムーズな遷移を促進する。
  論文  参考訳（メタデータ） (2025-06-24T13:22:49Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Investigating the Role of Instruction Variety and Task Difficulty in Robotic Manipulation Tasks [50.75902473813379]
  本研究は、そのようなモデルの一般化能力における命令と入力の役割を体系的に検証する包括的評価フレームワークを導入する。 提案フレームワークは,極度の命令摂動に対するマルチモーダルモデルのレジリエンスと,観測的変化に対する脆弱性を明らかにする。
  論文  参考訳（メタデータ） (2024-07-04T14:36:49Z)

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。