論文の概要: On the Role of DAG topology in Energy-Aware Cloud Scheduling : A GNN-Based Deep Reinforcement Learning Approach

• arxiv url: http://arxiv.org/abs/2604.09202v1
• Date: Fri, 10 Apr 2026 10:44:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.82697
• Title: On the Role of DAG topology in Energy-Aware Cloud Scheduling : A GNN-Based Deep Reinforcement Learning Approach
• Title（参考訳）: エネルギーを考慮したクラウドスケジューリングにおけるDAGトポロジの役割について : GNNに基づく深層強化学習アプローチ
• Authors: Anas Hattay, Fred Ngole Mboula, Eric Gascard, Zakaria Yahoun,
• Abstract要約: 単一ワークフローでキュー不要なスケジューリング設定について検討し、グラフニューラルネットワーク(GNN)に基づく深層強化学習スケジューラを検討する。 我々は、GNNベースの深層強化学習スケジューラが失敗する特定のアウト・オブ・ディストリビューション(OOD)条件を特定し、これらの障害が発生した理由を原則的に説明する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cloud providers must assign heterogeneous compute resources to workflow DAGs while balancing competing objectives such as completion time, cost, and energy consumption. In this work, we study a single-workflow, queue-free scheduling setting and consider a graph neural network (GNN)-based deep reinforcement learning scheduler designed to minimize workflow completion time and energy usage. We identify specific out-of-distribution (OOD) conditions under which GNN-based deep reinforcement learning schedulers fail and provide a principled explanation of why these failures occur. Through controlled OOD evaluations, we demonstrate that performance degradation stems from structural mismatches between training and deployment environments, which disrupt message passing and undermine policy generalization. Our analysis exposes fundamental limitations of current GNN-based schedulers and highlights the need for more robust representations to ensure reliable scheduling performance under distribution shifts.
• Abstract（参考訳）: クラウドプロバイダは、完了時間、コスト、エネルギー消費といった競合する目標をバランスしながら、異種コンピューティングリソースをワークフローDAGに割り当てなければならない。 本研究では、単一ワークフローでキュー不要なスケジューリング設定について検討し、ワークフローの完了時間とエネルギー使用量を最小限に抑えるように設計されたグラフニューラルネットワーク(GNN)に基づく深層強化学習スケジューラを検討する。 我々は、GNNベースの深層強化学習スケジューラが失敗する特定のアウト・オブ・ディストリビューション(OOD)条件を特定し、これらの障害が発生した理由を原則的に説明する。 制御されたOOD評価により、性能劣化は、メッセージパッシングを妨害し、ポリシーの一般化を損なう訓練環境とデプロイメント環境の間の構造的ミスマッチに起因することを示した。 本分析では、現在のGNNベースのスケジューラの基本的制約を明らかにし、分散シフト下での信頼性の高いスケジューリング性能を保証するために、より堅牢な表現の必要性を強調している。

関連論文リスト

• GLOW: Graph-Language Co-Reasoning for Agentic Workflow Performance Prediction [51.83437071408662]
  本稿では,AW性能予測のための統合フレームワークGLOWを提案する。 GLOWは、GNNのグラフ構造モデリング能力とLLMの推論能力を組み合わせる。 FLORA-Benchの実験では、GLOWは予測精度とランキングユーティリティにおいて最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-12-11T13:30:46Z)
• Learning to Solve Resource-Constrained Project Scheduling Problems with Duration Uncertainty using Graph Neural Networks [0.15749416770494704]
  資源制約計画計画問題(Resource-Constrained Project Scheduling Problem, RCPSP)は古典的なスケジューリング問題である。 本稿では, RCPSP 変種を不確実なタスク持続時間(既知の確率を用いてモデル化)で解決し, プロジェクト全体の持続時間を最小化することを目的とする。 我々は,グラフニューラルネットワークと深層強化学習(DRL)を併用して,タスクスケジューリングのための効果的なポリシを開発する。
  論文  参考訳（メタデータ） (2025-11-17T10:27:35Z)
• GTCN-G: A Residual Graph-Temporal Fusion Network for Imbalanced Intrusion Detection (Preprint) [19.99795815493204]
  本稿では,Gated Temporal Convolutional Network and Graph (GTCN-G) という新しいディープラーニングフレームワークを提案する。 本モデルでは,ネットワークフローから階層的時間的特徴を抽出するためのGated TCN (G-TCN) を,基礎となるグラフ構造から学習するためのグラフ畳み込みネットワーク (GCN) を用いて一意に融合させる。 中心となるイノベーションは、グラフ注意ネットワーク(GAT)を通じて実装された残留学習メカニズムの統合にある。
  論文  参考訳（メタデータ） (2025-10-08T17:45:59Z)
• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• Optimization Proxies using Limited Labeled Data and Training Time -- A Semi-Supervised Bayesian Neural Network Approach [3.26805553822503]
  制約付き最適化問題は、在庫管理や電力網など、さまざまなエンジニアリングシステムで発生する。 標準ディープニューラルネットワーク(DNN)ベースの機械学習プロキシは、ラベル付きデータが不足し、トレーニング時間が制限された実用的な環境では有効ではない。
  論文  参考訳（メタデータ） (2024-10-04T02:10:20Z)
• DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
  グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。 半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:24:51Z)
• Pre-Training and Fine-Tuning Generative Flow Networks [61.90529626590415]
  本稿では,GFlowNetの報酬なし事前学習のための新しいアプローチを提案する。 自己指導型問題としてトレーニングをフレーミングすることで,候補空間の探索を学習する結果条件付きGFlowNetを提案する。 事前学習したOC-GFNモデルにより、下流タスクにおける新しい報酬関数をサンプリングできるポリシーを直接抽出できることを示す。
  論文  参考訳（メタデータ） (2023-10-05T09:53:22Z)
• Scheduling Inference Workloads on Distributed Edge Clusters with Reinforcement Learning [11.007816552466952]
  本稿では,エッジネットワークにおける予測クエリを短時間でスケジューリングする問題に焦点をあてる。 シミュレーションにより,大規模ISPの現実的なネットワーク設定とワークロードにおけるいくつかのポリシーを解析する。 我々は、強化学習に基づくスケジューリングアルゴリズムASETを設計し、システム条件に応じてその決定を適応させることができる。
  論文  参考訳（メタデータ） (2023-01-31T13:23:34Z)
• Learning to Execute Programs with Instruction Pointer Attention Graph Neural Networks [55.98291376393561]
  グラフニューラルネットワーク(GNN)は、ソフトウェアエンジニアリングタスクを学習するための強力なツールとして登場した。 リカレントニューラルネットワーク(RNN)は、長いシーケンシャルな推論の連鎖に適しているが、プログラム構造を自然に組み込んでいるわけではない。 本稿では,新しいGNNアーキテクチャ,IPA-GNN(Instruction Pointer Attention Graph Neural Networks)を導入する。
  論文  参考訳（メタデータ） (2020-10-23T19:12:30Z)

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。