論文の概要: Which Workloads Belong in Orbit? A Workload-First Framework for Orbital Data Centers Using Semantic Abstraction

• arxiv url: http://arxiv.org/abs/2603.20317v1
• Date: Thu, 19 Mar 2026 22:25:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.834856
• Title: Which Workloads Belong in Orbit? A Workload-First Framework for Orbital Data Centers Using Semantic Abstraction
• Title（参考訳）: 軌道上のどのワークロードが長いか? セマンティック抽象化を用いたオービタルデータセンターのためのワークロードファーストフレームワーク
• Authors: Durgendra Narayan Singh,
• Abstract要約: 打ち上げコストが低下し、データ集約型AIワークロードが拡大するにつれ、宇宙ベースの計算処理は可能になりつつある。 本稿では,軌道上と地上のクラウド上において,どのタスクがどのタスクに属するかを決定するためのワークロード中心のフレームワークを提案する。 フレームワークを軌道上のセマンティック推論のプロトタイプで構築する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Space-based compute is becoming plausible as launch costs fall and data-intensive AI workloads grow. This paper proposes a workload-centric framework for deciding which tasks belong in orbit versus terrestrial cloud, along with a phased adoption model tied to orbital data center maturity. We ground the framework with in-orbit semantic-reduction prototypes. An Earth-observation pipeline on Sentinel-2 imagery from Seattle and Bengaluru (formerly Bangalore) achieves 99.7-99.99% payload reduction by converting raw imagery to compact semantic artifacts. A multi-pass stereo reconstruction prototype reduces ~306 MB to ~1.57 MB of derived 3D representations (99.49% reduction). These results support a workload-first view in which semantic abstraction, not raw compute scale, drives early workload suitability.
• Abstract（参考訳）: 打ち上げコストが低下し、データ集約型AIワークロードが拡大するにつれ、宇宙ベースの計算処理は可能になりつつある。 本稿では,軌道上と地上クラウドのどちらに属するかを決定するためのワークロード中心のフレームワークと,軌道上のデータセンターの成熟度に関連付けられた段階的導入モデルを提案する。 我々は、このフレームワークを軌道上のセマンティック推論のプロトタイプで構築する。 シアトルとベンガルー(元バンガロール)のセンチネル2画像の地球観測パイプラインは、原像をコンパクトな意味的アーティファクトに変換することで、99.7-99.99%のペイロード削減を実現している。 マルチパスステレオリコンストラクションのプロトタイプは、派生した3D表現の306MBから1.57MBに縮小する(99.49%の削減)。 これらの結果は、生の計算スケールではなく、セマンティックな抽象化が初期のワークロード適合性を駆動する、ワークロードファーストのビューをサポートします。

関連論文リスト

• RAP: 3D Rasterization Augmented End-to-End Planning [104.52778241744522]
  エンド・ツー・エンドの列車政策の模擬学習は、専門家によるデモンストレーションでのみ行われる。 アノテーション付きプリミティブの軽量化により、コストのかかるレンダリングを置き換える3Dラスタライゼーションを提案する。 RAPは最先端のクローズドループとロングテールロバスト性を実現し、4つの主要なベンチマークで第1位となった。
  論文  参考訳（メタデータ） (2025-10-05T19:31:24Z)
• TrajBooster: Boosting Humanoid Whole-Body Manipulation via Trajectory-Centric Learning [79.59753528758361]
  両足のVLAを促進するために、豊富な車輪付きヒューマノイドデータを活用するクロス・エボディメント・フレームワークであるTrajBoosterを提案する。 私たちのキーとなる考え方は、形態素に依存しないインターフェースとして、エンドエフェクタ・トラジェクトリを使用することです。 以上の結果から,TrajBoosterは既存の車輪付きヒューマノイドデータにより,二足歩行ヒューマノイドVLAの性能を効率的に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2025-09-15T12:25:39Z)
• DreamSat: Towards a General 3D Model for Novel View Synthesis of Space Objects [0.6986413087958454]
  本研究では,DreamSatという単一視点画像から3次元宇宙船を再構成する手法を提案する。 我々は、高品質な190の宇宙船モデルのデータセットに基づいて、最先端の単一ビュー再構成モデルであるZero123 XLを微調整する。 このアプローチは、DreamGaussianフレームワークの効率を維持しながら、宇宙船の復元の精度と詳細を向上する。
  論文  参考訳（メタデータ） (2024-10-07T14:51:54Z)
• Tracking Meets LoRA: Faster Training, Larger Model, Stronger Performance [87.19164603145056]
  実験室レベルの資源をトラッキングするための大規模ViTモデルのパワーを明らかにする手法であるLoRATを提案する。 私たちの作業の本質は、推論レイテンシを追加することなく、モデルパラメータの小さなサブセットを微調整するテクニックであるLoRAを適用することです。 我々はPETRの適応のみに基づくアンカーフリーヘッドを設計し、計算オーバーヘッドを少なくして性能を向上する。
  論文  参考訳（メタデータ） (2024-03-08T11:41:48Z)
• CabiNet: Scaling Neural Collision Detection for Object Rearrangement with Procedural Scene Generation [54.68738348071891]
  私たちはまず、さまざまな日常環境において、650万以上の散らばったシーン(前よりも桁違いに多い)を生成します。 このデータから合成部分点雲をレンダリングし、それをCabiNetモデルアーキテクチャのトレーニングに使用します。 CabiNetは、オブジェクトとシーンポイントの雲を受け入れる衝突モデルである。
  論文  参考訳（メタデータ） (2023-04-18T21:09:55Z)
• MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
  医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。 グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。 MISSUは従来の最先端手法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2022-06-02T07:38:53Z)
• Simple and Effective Synthesis of Indoor 3D Scenes [78.95697556834536]
  1枚以上の画像から3D屋内シーンを没入する問題について検討する。 我々の狙いは、新しい視点から高解像度の画像とビデオを作成することである。 本稿では,不完全点雲の再投影から高解像度のRGB-D画像へ直接マップするイメージ・ツー・イメージのGANを提案する。
  論文  参考訳（メタデータ） (2022-04-06T17:54:46Z)

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。