論文の概要: GauS: Differentiable Scheduling Optimization via Gaussian Reparameterization

• arxiv url: http://arxiv.org/abs/2602.20427v1
• Date: Mon, 23 Feb 2026 23:58:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.559634
• Title: GauS: Differentiable Scheduling Optimization via Gaussian Reparameterization
• Title（参考訳）: GauS: ガウス再パラメータ化による微分可能なスケジューリング最適化
• Authors: Yaohui Cai, Vesal Bakhtazad, Cunxi Yu, Zhiru Zhang,
• Abstract要約: 本稿では,効率的な演算子スケジューリングのための微分可能なフレームワークであるGauSを提案する。 スケジュールを連続ガウス変数として表現することにより、時間順序の性質を捉えることに成功した。 提案手法は, 様々な目的や制約を表現し, 複雑なパイプラインスケジューリング問題に対する最初の微分可能な定式化を提供する。
• 参考スコア（独自算出の注目度）: 10.649335239505584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient operator scheduling is a fundamental challenge in software compilation and hardware synthesis. While recent differentiable approaches have sought to replace traditional ones like exact solvers or heuristics with gradient-based search, they typically rely on categorical distributions that fail to capture the ordinal nature of time and suffer from a parameter space that scales poorly. In this paper, we propose a novel differentiable framework, GauS, that models operator scheduling as a stochastic relaxation using Gaussian distributions, which fully utilize modern parallel computing devices like GPUs. By representing schedules as continuous Gaussian variables, we successfully capture the ordinal nature of time and reduce the optimization space by orders of magnitude. Our method is highly flexible to represent various objectives and constraints, which provides the first differentiable formulation for the complex pipelined scheduling problem. We evaluate our method on a range of benchmarks, demonstrating that Gaus achieves Pareto-optimal results.
• Abstract（参考訳）: 効率的な演算子スケジューリングは、ソフトウェアコンパイルとハードウェア合成における根本的な課題である。 最近の微分可能なアプローチは、厳密な解法やヒューリスティックスのような伝統的な解法を勾配に基づく探索に置き換えようとしているが、それらは典型的には時間の性質を捉えず、低スケールのパラメータ空間に悩まされるカテゴリー分布に依存している。 本稿では,GPUのような現代的な並列コンピューティングデバイスをフル活用したガウス分布を用いた確率緩和モデルとして,演算子スケジューリングをモデル化する,新しい微分可能なフレームワークであるGauSを提案する。 スケジュールを連続ガウス変数として表現することにより、時間の順序の性質を捉えることができ、最適化空間を桁違いに小さくすることができる。 提案手法は, 様々な目的や制約を表現し, 複雑なパイプラインスケジューリング問題に対する最初の微分可能な定式化を提供する。 提案手法をベンチマークで評価し,ガウスがパレート最適結果が得られることを示す。

関連論文リスト

• Efficient Differentiable Approximation of Generalized Low-rank Regularization [64.73416824444328]
  低ランク正規化(LRR)は様々な機械学習タスクに広く応用されている。 本稿では,LRRの効率的な微分可能近似を提案する。
  論文  参考訳（メタデータ） (2025-05-21T11:49:17Z)
• Freya PAGE: First Optimal Time Complexity for Large-Scale Nonconvex Finite-Sum Optimization with Heterogeneous Asynchronous Computations [92.1840862558718]
  実用的な分散システムでは、労働者は概して均質ではなく、非常に多様な処理時間を持つ。 本稿では、任意に遅い計算を扱うための新しい並列手法Freyaを提案する。 Freyaは従来の手法と比較して,複雑性の保証が大幅に向上していることを示す。
  論文  参考訳（メタデータ） (2024-05-24T13:33:30Z)
• The Curse of Unrolling: Rate of Differentiating Through Optimization [35.327233435055305]
  未分化は反復解法を用いて解を近似し、計算経路を通して解を微分する。 我々は,(1)高速収束につながる大きな学習率を選択することができるが,アルゴリズムが任意に長いバーンインフェーズを持つことを受け入れるか,あるいは(2)即時収束につながるより少ない学習率を選択するかのどちらかを示す。
  論文  参考訳（メタデータ） (2022-09-27T09:27:29Z)
• Distributed Sketching for Randomized Optimization: Exact Characterization, Concentration and Lower Bounds [54.51566432934556]
  我々はヘシアンの形成が困難である問題に対する分散最適化法を検討する。 ランダム化されたスケッチを利用して、問題の次元を減らし、プライバシを保ち、非同期分散システムにおけるストラグラーレジリエンスを改善します。
  論文  参考訳（メタデータ） (2022-03-18T05:49:13Z)
• Sparse Quadratic Optimisation over the Stiefel Manifold with Application to Permutation Synchronisation [71.27989298860481]
  二次目的関数を最大化するスティーフェル多様体上の行列を求める非最適化問題に対処する。 そこで本研究では,支配的固有空間行列を求めるための,単純かつ効果的なスパーシティプロモーティングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:17:35Z)
• Sparse Algorithms for Markovian Gaussian Processes [18.999495374836584]
  スパースマルコフ過程は、誘導変数の使用と効率的なカルマンフィルタライク再帰を結合する。 我々は,局所ガウス項を用いて非ガウス的確率を近似する一般的なサイトベースアプローチであるsitesを導出する。 提案手法は,変動推論,期待伝播,古典非線形カルマンスムーサなど,機械学習と信号処理の両方から得られるアルゴリズムの新たなスパース拡張の一群を導出する。 派生した方法は、モデルが時間と空間の両方で別々の誘導点を持つ文学時間データに適しています。
  論文  参考訳（メタデータ） (2021-03-19T09:50:53Z)
• Distributed Averaging Methods for Randomized Second Order Optimization [54.51566432934556]
  我々はヘッセン語の形成が計算的に困難であり、通信がボトルネックとなる分散最適化問題を考察する。 我々は、ヘッセンのサンプリングとスケッチを用いたランダム化二階最適化のための非バイアスパラメータ平均化手法を開発した。 また、不均一なコンピューティングシステムのための非バイアス分散最適化フレームワークを導入するために、二階平均化手法のフレームワークを拡張した。
  論文  参考訳（メタデータ） (2020-02-16T09:01:18Z)

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。