論文の概要: Machine Learning for Energy-Performance-aware Scheduling

• arxiv url: http://arxiv.org/abs/2601.23134v1
• Date: Fri, 30 Jan 2026 16:23:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.552139
• Title: Machine Learning for Energy-Performance-aware Scheduling
• Title（参考訳）: エネルギー性能を考慮したスケジューリングのための機械学習
• Authors: Zheyuan Hu, Yifei Shi,
• Abstract要約: ディナード時代以降、組み込みシステムはエネルギー効率と遅延の間の複雑なトレードオフを必要とする。 伝統的なチューニングは、高次元の非滑らかな風景においてしばしば非効率である。
• 参考スコア（独自算出の注目度）: 6.406402370163824
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the post-Dennard era, optimizing embedded systems requires navigating complex trade-offs between energy efficiency and latency. Traditional heuristic tuning is often inefficient in such high-dimensional, non-smooth landscapes. In this work, we propose a Bayesian Optimization framework using Gaussian Processes to automate the search for optimal scheduling configurations on heterogeneous multi-core architectures. We explicitly address the multi-objective nature of the problem by approximating the Pareto Frontier between energy and time. Furthermore, by incorporating Sensitivity Analysis (fANOVA) and comparing different covariance kernels (e.g., Matérn vs. RBF), we provide physical interpretability to the black-box model, revealing the dominant hardware parameters driving system performance.
• Abstract（参考訳）: ディナール後の時代には、組み込みシステムの最適化は、エネルギー効率とレイテンシの間の複雑なトレードオフをナビゲートする必要がある。 伝統的なヒューリスティックなチューニングは、高次元の非滑らかな風景においてしばしば非効率である。 本研究では、ガウス過程を用いたベイズ最適化フレームワークを提案し、異種マルチコアアーキテクチャ上での最適スケジューリング構成の探索を自動化する。 エネルギーと時間の間にパレートフロンティアを近似することにより、この問題の多目的性に明示的に対処する。 さらに、感性分析(fANOVA)を導入し、異なる共分散カーネル(例えば、Matérn vs. RBF)を比較することにより、ブラックボックスモデルに対する物理的解釈可能性を提供し、システム性能を駆動する支配的なハードウェアパラメータを明らかにする。

関連論文リスト

• Efficient Optimization Accelerator Framework for Multistate Ising Problems [0.0]
  Ising MachinesはNP-Hard最適化問題を効率的に解決する新しいハードウェアアーキテクチャである。 スピン相互作用を一般化論理関数としてモデル化し,探索空間を大幅に削減する。 また,提案手法を用いてFPGA上に1024-neuronオールツーオール接続型Isingアクセラレータを設計する。
  論文  参考訳（メタデータ） (2025-05-26T17:23:47Z)
• Harnessing the Power of Gradient-Based Simulations for Multi-Objective Optimization in Particle Accelerators [5.565261874218803]
  本稿では, 粒子加速器の深部微分可能強化学習アルゴリズムを用いてMOO問題の解法における微分可能性の効果を示す。 基礎となる問題は、個々の状態と行動の両方に厳密な制約を課し、ビームのエネルギー要求に対する累積的(グローバル)制約を課している。
  論文  参考訳（メタデータ） (2024-11-07T15:55:05Z)
• Unlearning as multi-task optimization: A normalized gradient difference approach with an adaptive learning rate [105.86576388991713]
  正規化勾配差(NGDiff)アルゴリズムを導入し、目的間のトレードオフをよりよく制御できるようにする。 本研究では,TOFUおよびMUSEデータセットにおける最先端の未学習手法において,NGDiffの優れた性能を実証的に実証し,理論的解析を行った。
  論文  参考訳（メタデータ） (2024-10-29T14:41:44Z)
• Simultaneous and Meshfree Topology Optimization with Physics-informed Gaussian Processes [0.0]
  トポロジ最適化(TO)は、その物質空間分布を予め定義された領域で設計し、制約の集合に従うことによって、構造の性能を最適化する原理的な数学的アプローチを提供する。 我々は,ガウス過程(GP)の枠組みに基づく新しいTO手法を開発し,その平均関数はディープニューラルネットワークを介してパラメータ化される。 本手法を商用ソフトウェアに実装した従来のTO手法に対して検証するため,ストークスフローにおける消散電力の最小化を含む4つの問題に対して評価を行った。
  論文  参考訳（メタデータ） (2024-08-07T01:01:35Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• High-dimensional mixed-categorical Gaussian processes with application to multidisciplinary design optimization for a green aircraft [0.6749750044497732]
  本稿では, 部分最小二乗回帰に依存する革新的次元減少アルゴリズムを提案する。 我々のゴールは、混合カテゴリー入力を扱うために古典的な次元還元技法を一般化することである。 提案手法の利点は, 構造的・多分野的な応用の両面において実証される。
  論文  参考訳（メタデータ） (2023-11-10T15:48:51Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Multi-Agent Deep Reinforcement Learning in Vehicular OCC [14.685237010856953]
  我々は車載OCCにおけるスペクトル効率最適化手法を提案する。 我々は最適化問題をマルコフ決定プロセス(MDP)としてモデル化し、オンラインで適用可能なソリューションの利用を可能にする。 提案手法の性能を広範囲なシミュレーションにより検証し,提案手法の様々な変種とランダムな手法との比較を行った。
  論文  参考訳（メタデータ） (2022-05-05T14:25:54Z)
• Optimization on manifolds: A symplectic approach [127.54402681305629]
  本稿では、最適化問題を解くための一般的な枠組みとして、ディラックの制約付きハミルトン系理論の散逸拡張を提案する。 我々の(加速された)アルゴリズムのクラスは単純で効率的なだけでなく、幅広い文脈にも適用できる。
  論文  参考訳（メタデータ） (2021-07-23T13:43:34Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)

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。