論文の概要: A Learning Method with Gap-Aware Generation for Heterogeneous DAG Scheduling

• arxiv url: http://arxiv.org/abs/2603.23249v1
• Date: Tue, 24 Mar 2026 14:16:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.527124
• Title: A Learning Method with Gap-Aware Generation for Heterogeneous DAG Scheduling
• Title（参考訳）: 不均一DAGスケジューリングのためのギャップ認識による学習方法
• Authors: Ruisong Zhou, Haijun Zou, Li Zhou, Chumin Sun, Zaiwen Wen,
• Abstract要約: 異種有向非巡回グラフ(DAG)のためのエンドツーエンド強化学習フレームワークを提案する。 WeCANはタスクプール互換性係数と生成誘起最適性ギャップに対処する。 グラフと実世界のTPC-H DAGの実験は、古典に匹敵する推論時間で、強いベースラインよりも改善されたメイスパンを示す。
• 参考スコア（独自算出の注目度）: 6.655206888698601
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient scheduling of directed acyclic graphs (DAGs) in heterogeneous environments is challenging due to resource capacities and dependencies. In practice, the need for adaptability across environments with varying resource pools and task types, alongside rapid schedule generation, complicates these challenges. We propose WeCAN, an end-to-end reinforcement learning framework for heterogeneous DAG scheduling that addresses task--pool compatibility coefficients and generation-induced optimality gaps. It adopts a two-stage single-pass design: a single forward pass produces task--pool scores and global parameters, followed by a generation map that constructs schedules without repeated network calls. Its weighted cross-attention encoder models task--pool interactions gated by compatibility coefficients, and is size-agnostic to environment fluctuations. Moreover, widely used list-scheduling maps can incur generation-induced optimality gaps from restricted reachability. We introduce an order-space analysis that characterizes the reachable set of generation maps via feasible schedule orders, explains the mechanism behind generation-induced gaps, and yields sufficient conditions for gap elimination. Guided by these conditions, we design a skip-extended realization with an analytically parameterized decreasing skip rule, which enlarges the reachable order set while preserving single-pass efficiency. Experiments on computation graphs and real-world TPC-H DAGs demonstrate improved makespan over strong baselines, with inference time comparable to classical heuristics and faster than multi-round neural schedulers.
• Abstract（参考訳）: 不均一環境における有向非巡回グラフ(DAG)の効率的なスケジューリングは、資源容量と依存のため困難である。 実際には、リソースプールやタスクタイプが異なる環境にまたがる適応性の必要性と、迅速なスケジュール生成は、これらの課題を複雑にしている。 WeCANは、タスク-プール整合係数と生成誘起最適性ギャップに対処する異種DAGスケジューリングのためのエンドツーエンド強化学習フレームワークである。 単一のフォワードパスはタスクプールスコアとグローバルパラメータを生成し、続いてネットワーク呼び出しを繰り返しないスケジュールを構築する生成マップを生成する。 重み付きクロスアテンションエンコーダは、互換性係数によって促進されるタスク-プール相互作用をモデル化し、環境変動に大きく依存しない。 さらに、広く使われているリストスケジューリングマップは、制限された到達性から生成誘起最適性ギャップを生じさせる可能性がある。 本稿では,実行可能なスケジュール順序によって生成マップの到達可能な集合を特徴付ける順序空間解析を導入し,生成誘起ギャップの背後にあるメカニズムを説明し,ギャップ除去に十分な条件を与える。 これらの条件で導かれ、単パス効率を保ちつつ、到達可能な順序集合を拡大する、分析パラメータ化縮小スキップ規則を用いたスキップ拡張実現法を設計する。 計算グラフと実世界のTPC-H DAGの実験は、古典的ヒューリスティックスに匹敵する推論時間とマルチラウンドのニューラルスケジューラよりも高速な推論時間で、強いベースラインよりも改善されたメースパンを示す。

関連論文リスト

• HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
  大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。 Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。 ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-24T14:05:29Z)
• Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
  リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。 また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
  論文  参考訳（メタデータ） (2026-02-02T21:33:03Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• HedraRAG: Coordinating LLM Generation and Database Retrieval in Heterogeneous RAG Serving [10.130938079844121]
  HedraRAGはグラフベースの抽象化に基づいて構築されたランタイムシステムで、ステージレベルの並列性、要求内類似性、要求間歪性といった最適化の機会を公開する。 結果として発生する実行計画は、リソース使用率を改善し、レイテンシを低減するために、ハイブリッドCPU-GPUパイプラインにマップされる。
  論文  参考訳（メタデータ） (2025-07-12T04:42:43Z)
• Adaptive Inference-Time Scaling via Cyclic Diffusion Search [61.42700671176343]
  適応的推論時間スケーリング-動的に計算量を調整するという課題について紹介する。 本稿では,適応型双方向サイクル拡散(ABCD)を提案する。 ABCDは、探索深度と終了を適応的に制御しながら、双方向拡散サイクルを通じて出力を洗練する。
  論文  参考訳（メタデータ） (2025-05-20T07:31:38Z)
• STRGCN: Capturing Asynchronous Spatio-Temporal Dependencies for Irregular Multivariate Time Series Forecasting [14.156419219696252]
  STRGCNはIMTSの複雑な相互依存性を完全連結グラフとして表現する。 4つの公開データセットの実験では、STRGCNが最先端の精度、競合するメモリ使用量、トレーニング速度を達成することが示されている。
  論文  参考訳（メタデータ） (2025-05-07T06:41:33Z)
• Edge Generation Scheduling for DAG Tasks Using Deep Reinforcement Learning [2.365237699556817]
  直接非巡回グラフ(DAG)タスクは現在、複雑なアプリケーションをモデル化するためにリアルタイムドメインで採用されている。 エッジを反復的に生成することでDAG幅を最小化する新しいDAGスケジューリングフレームワークを提案する。 我々は,提案アルゴリズムの有効性を,最先端DAGスケジューリングと最適混合整数線形プログラミングベースラインとの比較により評価した。
  論文  参考訳（メタデータ） (2023-08-28T15:19:18Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

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。