論文の概要: Brief Announcement: Generative Markov Model for Distributed Computing Systems
- arxiv url: http://arxiv.org/abs/2606.03061v1
- Date: Tue, 02 Jun 2026 02:50:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:04.706281
- Title: Brief Announcement: Generative Markov Model for Distributed Computing Systems
- Title（参考訳）: 簡単な発表: 分散コンピューティングシステムのための生成マルコフモデル
- Authors: Alfreds Lapkovskis, Ali Beikmohammadi, Sindri Magnússon, Praveen Kumar Donta,
- Abstract要約: 本稿では,構造化システム状態上で分解された生成マルコフモデルとして,分散コンピューティングシステムをモデル化するための一般的なフレームワークを提案する。
これにより、他の難解なシステム状態に対するシミュレーション、推論、およびポリシー学習を可能にするトラクタブルモデルが得られる。
我々は、協調AI推論のケーススタディを通じて、当社のフレームワークを実証する。
- 参考スコア（独自算出の注目度）: 3.756527555629108
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Emerging distributed computing paradigms, such as the computing continuum, are inherently heterogeneous, stochastic, and complex. Efficiently and effectively utilizing all available resources across the continuum demands a unified formal model of the system. To address this gap, we propose a general framework for modeling distributed computing systems as a generative Markov model, factorized over a structured system state. In our model, the state decomposes into high-dimensional variables, each further factorized over its elements, reflecting the sparse dependency structure inherent to distributed systems. This yields a tractable model enabling simulation, inference, and policy learning over otherwise intractable system states, bridging distributed computing with Markov chain theory and reinforcement learning (RL). We demonstrate our framework through a case study of collaborative AI inference, in which a dedicated server combines resources with those volunteered by service users. Our results show that centralized scheduling becomes a bottleneck at scale, while distributing computation across user devices reduces both latency and server resource consumption. These findings highlight the value of adaptive decision-making in distributed computing systems and demonstrate the framework's utility for modeling, simulation, and optimization.
- Abstract（参考訳）: 計算連続体のような分散コンピューティングのパラダイムは本質的に異質で確率的で複雑である。
連続体全体にわたって利用可能なすべてのリソースを効率的かつ効果的に活用するには、システムの統一的な形式モデルが必要である。
このギャップに対処するために、構造化されたシステム状態上で分解された生成マルコフモデルとして分散コンピューティングシステムをモデル化するための一般的なフレームワークを提案する。
我々のモデルでは、状態は高次元変数に分解され、それぞれの要素がさらに分解され、分散システムに固有の疎結合構造が反映される。
これは、マルコフ連鎖理論と強化学習(RL)で分散コンピューティングをブリッジすることで、他の難解なシステム状態に対するシミュレーション、推論、およびポリシー学習を可能にする。
我々は、協調AI推論のケーススタディを通じて、当社のフレームワークを実証する。
この結果から,集中型スケジューリングは大規模化のボトルネックとなり,ユーザデバイス間での計算処理はレイテンシとサーバリソースの消費の両方を削減することがわかった。
これらの知見は、分散コンピューティングシステムにおける適応的意思決定の価値を強調し、モデリング、シミュレーション、最適化のためのフレームワークの有用性を実証する。
関連論文リスト
- From Independent to Correlated Diffusion: Generalized Generative Modeling with Probabilistic Computers [0.0]
拡散モデルは、ディープラーニングにおける生成タスクの強力なフレームワークとして登場した。
独立ノイズ注入をモンテカルロ力学に置き換えることでサンプリング成分を一般化する。
p-コンピュータが新しい拡散アルゴリズムのクラスを実現できることを示す。
論文 参考訳（メタデータ） (2026-03-30T03:36:20Z) - UNIFERENCE: A Discrete Event Simulation Framework for Developing Distributed AI Models [0.42015796373418257]
UNIは、分散AIモデルの開発とベンチマーク、デプロイのための離散イベントシミュレーションフレームワークである。
PyTorch Distributedとシームレスに統合され、シミュレーションから実際のデプロイメントへの移行を可能にする。
論文 参考訳（メタデータ） (2026-03-27T14:35:02Z) - KDC-Diff: A Latent-Aware Diffusion Model with Knowledge Retention for Memory-Efficient Image Generation [2.0250638970950905]
KDC-Diffは、ハイパフォーマンスを維持しながら計算オーバーヘッドを大幅に削減するために設計された、新しくスケーラブルな生成フレームワークである。
本モデルでは,FID,CLIP,KID,LPIPSの指標に対して,パラメータ数,推論時間,FLOPの大幅な削減を実現し,高い性能を示す。
論文 参考訳（メタデータ） (2025-05-11T14:40:51Z) - An Agglomerative Clustering of Simulation Output Distributions Using Regularized Wasserstein Distance [0.0]
本稿では,正規化ワッサーシュタイン距離をクラスタシミュレーション出力に利用した新しいクラスタリングアルゴリズムを提案する。
このフレームワークには、異常検出、事前最適化、オンライン監視など、いくつかの重要なユースケースがある。
論文 参考訳（メタデータ） (2024-07-16T18:07:32Z) - Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳（メタデータ） (2024-01-29T02:08:40Z) - Distributionally Robust Model-based Reinforcement Learning with Large
State Spaces [55.14361269378122]
強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。
広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。
本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
論文 参考訳（メタデータ） (2023-09-05T13:42:11Z) - Vertical Federated Learning over Cloud-RAN: Convergence Analysis and
System Optimization [82.12796238714589]
高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。
アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。
我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
論文 参考訳（メタデータ） (2023-05-04T09:26:03Z) - Cheap and Deterministic Inference for Deep State-Space Models of
Interacting Dynamical Systems [38.23826389188657]
本稿では,基礎となる相互作用力学系をモデル化するために,グラフニューラルネットワークを用いた深部状態空間モデルを提案する。
予測分布はマルチモーダルであり、ガウス混合モデルの形をしており、ガウス成分のモーメントは決定論的モーメントマッチングルールによって計算できる。
我々のモーメントマッチングスキームはサンプルのない推論に利用でき、モンテカルロの代替案と比較してより効率的で安定した訓練がもたらされる。
論文 参考訳（メタデータ） (2023-05-02T20:30:23Z) - Device Scheduling and Update Aggregation Policies for Asynchronous
Federated Learning [72.78668894576515]
Federated Learning (FL)は、新しく登場した分散機械学習(ML)フレームワークである。
本稿では,FLシステムにおけるトラグラー問題を排除するために,周期的なアグリゲーションを伴う非同期FLフレームワークを提案する。
論文 参考訳（メタデータ） (2021-07-23T18:57:08Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z) - Self-organizing Democratized Learning: Towards Large-scale Distributed
Learning Systems [71.14339738190202]
民主化された学習(Dem-AI)は、大規模な分散および民主化された機械学習システムを構築するための基本原則を備えた全体主義的哲学を定めている。
本稿では,Dem-AI哲学にヒントを得た分散学習手法を提案する。
提案アルゴリズムは,従来のFLアルゴリズムと比較して,エージェントにおける学習モデルの一般化性能が向上することを示す。
論文 参考訳（メタデータ） (2020-07-07T08:34:48Z)
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。