論文の概要: Graph-Structured Deep Learning Framework for Multi-task Contention Identification with High-dimensional Metrics

• arxiv url: http://arxiv.org/abs/2601.20389v1
• Date: Wed, 28 Jan 2026 08:54:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.855969
• Title: Graph-Structured Deep Learning Framework for Multi-task Contention Identification with High-dimensional Metrics
• Title（参考訳）: 高次元メトリックを用いたマルチタスクコンテンツ識別のためのグラフ構造化深層学習フレームワーク
• Authors: Xiao Yang, Yinan Ni, Yuqi Tang, Zhimin Qiu, Chen Wang, Tingzhou Yuan,
• Abstract要約: 本研究では,高次元システム環境におけるマルチタスク競合タイプを正確に同定することの課題に対処する。 表現変換,構造モデリング,タスク分離機構を統合したコンテント分類フレームワークを提案する。 パブリックシステムトレースデータセットで実施された実験は、精度、リコール、精度、F1の利点を示している。
• 参考スコア（独自算出の注目度）: 7.231459004015238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study addresses the challenge of accurately identifying multi-task contention types in high-dimensional system environments and proposes a unified contention classification framework that integrates representation transformation, structural modeling, and a task decoupling mechanism. The method first constructs system state representations from high-dimensional metric sequences, applies nonlinear transformations to extract cross-dimensional dynamic features, and integrates multiple source information such as resource utilization, scheduling behavior, and task load variations within a shared representation space. It then introduces a graph-based modeling mechanism to capture latent dependencies among metrics, allowing the model to learn competitive propagation patterns and structural interference across resource links. On this basis, task-specific mapping structures are designed to model the differences among contention types and enhance the classifier's ability to distinguish multiple contention patterns. To achieve stable performance, the method employs an adaptive multi-task loss weighting strategy that balances shared feature learning with task-specific feature extraction and generates final contention predictions through a standardized inference process. Experiments conducted on a public system trace dataset demonstrate advantages in accuracy, recall, precision, and F1, and sensitivity analyses on batch size, training sample scale, and metric dimensionality further confirm the model's stability and applicability. The study shows that structured representations and multi-task classification based on high-dimensional metrics can significantly improve contention pattern recognition and offer a reliable technical approach for performance management in complex computing environments.
• Abstract（参考訳）: 本研究では,高次元システム環境におけるマルチタスクコンテントタイプを正確に識別することの課題に対処し,表現変換,構造モデリング,タスクデカップリング機構を統合した統合コンテント分類フレームワークを提案する。 本手法はまず,高次元距離列からシステム状態表現を構築し,非線型変換を適用して動的特徴を抽出し,資源利用,スケジューリング行動,タスク負荷変動といった複数の情報源情報を共有表現空間内に統合する。 次にグラフベースのモデリングメカニズムを導入し、メトリクス間の遅延依存性をキャプチャし、モデルが競合する伝搬パターンとリソースリンク間の構造的干渉を学習できるようにする。 タスク固有のマッピング構造は、競合型の違いをモデル化し、複数の競合パターンを識別する分類器の能力を高めるように設計されている。 タスク固有の特徴抽出と共有特徴学習のバランスをとり、標準化された推論プロセスを通じて最終競合予測を生成する適応型マルチタスク損失重み付け方式を用いる。 パブリックシステムトレースデータセットで実施された実験は、精度、リコール、精度、F1の利点を示し、バッチサイズ、トレーニングサンプルスケール、およびメートル法次元に関する感度分析により、モデルの安定性と適用性をさらに確認する。 本研究は,高次元メトリクスに基づく構造化表現とマルチタスク分類が競合パターン認識を著しく改善し,複雑な計算環境における性能管理に信頼性の高い技術的アプローチを提供することを示す。

関連論文リスト

• Shared Representation Learning for High-Dimensional Multi-Task Forecasting under Resource Contention in Cloud-Native Backends [12.826922983028082]
  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。
  論文  参考訳（メタデータ） (2025-12-24T11:02:03Z)
• Improving Pattern Recognition of Scheduling Anomalies through Structure-Aware and Semantically-Enhanced Graphs [9.545534210398964]
  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。
  論文  参考訳（メタデータ） (2025-12-21T10:27:06Z)
• SCALAR: Self-Calibrating Adaptive Latent Attention Representation Learning [2.152549977410309]
  複雑な特徴相互作用を持つ高次元ヘテロジニアスデータは、従来の予測モデリングアプローチに重大な課題をもたらす。 本アーキテクチャでは,異なる特徴群を個別に処理するアダプティブカーネルベースのアテンション機構を導入している。 実験結果は、さまざまなデータセットにわたる最先端の手法と比較して、パフォーマンス指標が大幅に改善されたことを示している。
  論文  参考訳（メタデータ） (2025-10-18T12:41:18Z)
• 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)
• Variable Importance Matching for Causal Inference [73.25504313552516]
  これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。 Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。 LASSO を用いて Model-to-Match フレームワークを運用する。
  論文  参考訳（メタデータ） (2023-02-23T00:43:03Z)
• Generalization Properties of Retrieval-based Models [50.35325326050263]
  検索ベースの機械学習手法は、幅広い問題で成功をおさめた。 これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。 本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
  論文  参考訳（メタデータ） (2022-10-06T00:33:01Z)
• Adaptive Discrete Communication Bottlenecks with Dynamic Vector Quantization [76.68866368409216]
  入力に条件付けされた離散化の厳密度を動的に選択する学習を提案する。 コミュニケーションボトルネックの動的に変化する厳密さは、視覚的推論や強化学習タスクにおけるモデル性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-02-02T23:54:26Z)
• ScatSimCLR: self-supervised contrastive learning with pretext task regularization for small-scale datasets [5.2424255020469595]
  データの複数ビュー間の対照的な損失に基づく小規模データセットに対する自己教師型学習の課題について考察する。 同じ分類精度を維持しつつ,システム全体のパラメータ数やビュー数を大幅に削減できると主張している。
  論文  参考訳（メタデータ） (2021-08-31T15:58:45Z)
• Mixing Consistent Deep Clustering [3.5786621294068373]
  良い潜在表現は、2つの潜在表現の線形を復号する際に意味的に混合出力を生成する。 本稿では,表現をリアルに見せるための混合一貫性深層クラスタリング手法を提案する。 提案手法は,クラスタリング性能を向上させるために,既存のオートエンコーダに付加可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-03T19:47:06Z)

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。