Fugu-MT 論文翻訳(概要): Latency-Aware Resource Allocation over Heterogeneous Networks: A Lorentz-Invariant Market Mechanism

論文の概要: Latency-Aware Resource Allocation over Heterogeneous Networks: A Lorentz-Invariant Market Mechanism

arxiv url: http://arxiv.org/abs/2604.03897v1
Date: Sat, 04 Apr 2026 23:48:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-07 15:49:18.823191
Title: Latency-Aware Resource Allocation over Heterogeneous Networks: A Lorentz-Invariant Market Mechanism
Title（参考訳）: 不均一ネットワーク上のレイテンシを考慮したリソース割り当て:ローレンツ不変市場機構
Authors: Saad Alqithami,
Abstract要約: Lorentz-Invariant Auction (LIA)は、入札を時空のイベントとして扱う。市場規模 (10,20,30,40,50) の52,500のベースラインインスタンスに対して, STARlink-200, INTERNET-100, DSN-30上でのLIAを評価し, さらなるロバストネススイープを行う。
参考スコア（独自算出の注目度）: 2.28438857884398
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a telecom-native auction mechanism for allocating bandwidth and time slots across heterogeneous-delay networks, ranging from low-Earth-orbit (LEO) satellite constellations to delay-tolerant deep-space relays. The Lorentz-Invariant Auction (LIA) treats bids as spacetime events and reweights reported values based on the \emph{horizon slack}, a causal quantity derived from the earliest-arrival times relative to a public clearing horizon. Unlike other delay-equalization rules, LIA combines a causal-ordering formulation, a uniquely exponential slack correction implied by a semigroup-style invariance axiom, and a critical-value implementation that ensures truthful reported values once slacks are fixed by trusted infrastructure. We analyze the incentive result in the exogenous-slack regime and separately examine bounded slack-estimation error and endogenous-delay limitations. Under fixed feasible slacks, LIA is individually rational and achieves welfare at least $e^{-λΔ}$ relative to the optimal feasible allocation, where $Δ$ is the slack spread. We evaluate LIA on STARLINK-200, INTERNET-100, and DSN-30 across 52,500 baseline instances with market sizes $n\in\{10,20,30,40,50\}$ and conduct additional robustness sweeps. On Starlink and Internet, LIA maintains near-efficiency while eliminating measured timing rents. However, on DSN, welfare is lower in thin markets but improves with depth. We also distinguish winner-determination time from the background cost of maintaining slack estimates and study robustness beyond independent and identically distributed (iid) noise through error-spread bounds and structured (distance-biased and subnetwork-correlated) noise models. These results suggest that causal-consistent mechanism design offers a practical non-buffering alternative to synchronized delay equalization in heterogeneous telecom infrastructures.
Abstract（参考訳）: 我々は、低地球軌道(LEO)衛星コンステレーションから遅延耐性の深宇宙中継まで、異種遅延ネットワークをまたいだ帯域と時間帯を割り当てるためのテレコムネイティブオークション機構を提案する。 Lorentz-Invariant Auction (LIA) は、入札を時空のイベントとして扱い、公共の掃討地平線に対して最も早い時期から派生した因果量である 'emph{horizon slack} に基づいて報告された値として扱う。他の遅延等化規則とは異なり、IAは因果順序付けの定式化、半群型不変公理によって暗示される一意的に指数関数的なスラック補正、そして信頼できるインフラによってスラックが固定されたときに真に報告された値を保証する臨界値実装を組み合わせている。本研究では,外因性スラック状態におけるインセンティブの結果を分析し,有界スラック推定誤差と内因性遅延限界を別々に検討した。固定可能なスラックスの下では、IA は個々に有理であり、最適可能な割り当てに対して少なくとも $e^{-λΔ}$ の福祉を達成する(ただし、 $Δ$ はスラックス拡散である)。市場規模が(n\in\{10,20,30,40,50\}\) の52,500のベースラインインスタンスに対して, STARLINK-200, INTERNET-100, DSN-30 上の LIA を評価し,さらなるロバストネススイープを行う。スターリンクとインターネットでは、RIAは測定された時間レンタルを排除しながらほぼ効率を保っている。しかし、DSNでは、福祉は薄い市場では低いが、深さで改善する。また、スラック推定の背景コストと、誤差スプレッド境界と構造付き(距離バイアスおよびサブネットワーク関連)ノイズモデルによる独立および同一分布(iid)ノイズを超えるロバスト性の研究を区別する。これらの結果は、異種通信インフラにおける同期遅延等化の代替として、因果一貫性機構の設計が実用的なノンバッファリングの代替となることを示唆している。

関連論文リスト

Cognitive Friction: A Decision-Theoretic Framework for Bounded Deliberation in Tool-Using Agents [0.0]
制約のないツール使用エージェントは、どの情報ソースをクエリして実行するかを決めなければなりません。本稿では,これらの障害モードを認知的摩擦によって形式化する決定論的枠組みであるTCAを提案する。我々は,TCAを2つの制御された環境において,停止品質,混雑時の行動選択,時間的緊急性の分離を図った。
論文参考訳（メタデータ） (2026-03-31T17:30:25Z)
Reinforcement Learning from Multi-Source Imperfect Preferences: Best-of-Both-Regimes Regret [71.69884486156359]
我々は, 累積的不完全化予算を用いて, エンフルティソースの不完全性選好からエピソードRLを考察した。我々は,最良な登録行動を示す,後悔$tildeO(sqrtK/M+)$の統一アルゴリズムを提案する。
論文参考訳（メタデータ） (2026-03-20T19:34:53Z)
Improving Search Agent with One Line of Code [68.58667107354253]
ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
論文参考訳（メタデータ） (2026-03-10T04:07:39Z)
HALO: Semantic-Aware Distributed LLM Inference in Lossy Edge Network [50.33808558714122]
エッジでの大規模言語モデル(LLM)推論は、ユーザのプライバシを保護すると同時に、サービスの応答性を促進する。損失エッジネットワークにおける分散LLM推論を向上する新しいフレームワークであるHALOを提案する。 Raspberry Piクラスタによる実験の結果、HALOは信頼性の低いネットワーク条件下でLLaMAシリーズLLMの3.41倍のエンドツーエンドのスピードアップを達成した。
論文参考訳（メタデータ） (2026-01-16T07:37:23Z)
Network-Optimised Spiking Neural Network for Event-Driven Networking [2.5941336499463383]
スパイキングニューラルネットワークは、異常検出、ローカルルーティング制御、エッジでの混雑管理など、時間クリティカルなネットワークタスクに適したイベント駆動型計算を提供する。本稿では,正規化された待ち行列の占有状態と回復資源を符号化したコンパクトな2変数ユニットであるNetwork-Optimized Spiking (NOS)を紹介する。我々は、データ駆動初期化、リセットシャープネスに基づくホモトピーによる代理段階トレーニング、リソース制約されたデプロイメントのための境界のトポロジによる明確な安定性チェックのガイダンスを提供する。
論文参考訳（メタデータ） (2025-09-27T22:31:24Z)
Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
論文参考訳（メタデータ） (2025-05-29T19:59:18Z)
Adaptive Federated LoRA in Heterogeneous Wireless Networks with Independent Sampling [15.218221234361922]
Federated LoRAは、分散デバイス上で大きな言語モデルを効率的に微調整する技術として登場した。本稿では,システムとデータの不均一性の両方の下で微調整を行う独立したフェデレーションコンバージェンスウォールクロック時間を提案する。実験により,本手法は,様々なモデルやデータセットを対象とした最先端手法と比較して,ウォールクロック時間を短縮することを示した。
論文参考訳（メタデータ） (2025-05-29T15:31:37Z)
FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy [84.45004766136663]
フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
論文参考訳（メタデータ） (2023-02-21T03:55:29Z)

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。