論文の概要: Zero Touch Predictive Orchestration: Automating Time-Series Models for the Cloud-Edge Continuum

• arxiv url: http://arxiv.org/abs/2606.09787v1
• Date: Mon, 08 Jun 2026 17:43:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:07.602421
• Title: Zero Touch Predictive Orchestration: Automating Time-Series Models for the Cloud-Edge Continuum
• Title（参考訳）: ゼロタッチ予測オーケストレーション:クラウドエッジ継続のための時系列モデルの自動化
• Authors: Abd Elghani Meliani, Arora Sagar, Adlen Ksentini, Raymond Knopp,
• Abstract要約: Cloud-Edge Continuumは、リソースを極端に分散することで、レイテンシクリティカルなアプリケーションを可能にする。 新たに発見されたノードには、ローカライズされた予測モデルをトレーニングするために必要な履歴データがない。 本稿では,新しいデータ混合手法によって駆動される完全自動時系列予測アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 4.682048837450771
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Cloud-Edge Continuum (CEC) enables latency-critical applications by distributing resources to the far edge, but its extreme volatility makes proactive Zero Touch Management via time-series forecasting essential. However, orchestrators face a severe "cold start" problem: newly discovered nodes lack the historical data required to train localized predictive models, while generalized models fail to capture unique hardware and microservice behaviors. To solve this, we propose a fully automated time-series prediction architecture driven by a novel data-mixing methodology. At the infrastructure level, we introduce a lightweight, technology-agnostic Resource Exposer (RE) that dynamically discovers nodes and continuously collects customizable telemetry (e.g., compute, network, energy). To overcome the sparsity of these initial local samples, our framework automatically merges them with TimeTrack, our publicly available, high-resolution dataset collected at 45-second intervals. This synergizes TimeTrack's foundational, high-frequency temporal patterns with the precise calibration of the local node data. Processed through a Neural Architecture Search (NAS) engine, the system automatically generates highly accurate baseline models. Experimental results demonstrate that merging the target data with TimeTrack effectively mitigates the cold start challenge. This integration significantly improves forecasting accuracy measured in Mean Squared Error (MSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE) and accelerates convergence compared to training on the sparse local samples alone, training solely on generic datasets, or mixing the target data with standard alternative datasets, establishing a robust foundation for continuous MLOps deployment.
• Abstract（参考訳）: Cloud-Edge Continuum(CEC)は、リソースを遠端に分散することで、レイテンシクリティカルなアプリケーションを可能にするが、その極端なボラティリティにより、時系列予測を通じてアクティブなZero Touch Managementが必須となる。 しかし、オーケストレータは深刻な"コールドスタート"問題に直面している。新たに発見されたノードには、ローカライズされた予測モデルのトレーニングに必要な履歴データがないのに対して、一般化されたモデルはユニークなハードウェアやマイクロサービスの振る舞いをキャプチャできない。 そこで本研究では,新しいデータ混合手法によって駆動される完全自動時系列予測アーキテクチャを提案する。 インフラレベルでは、動的にノードを検出し、カスタマイズ可能なテレメトリ(計算、ネットワーク、エネルギーなど)を継続的に収集する軽量で技術に依存しないResource Exposer(RE)を導入する。 これらの初期ローカルサンプルの空白さを克服するため、我々のフレームワークは自動的にTimeTrackとマージします。 これにより、TimeTrackの基本的で高周波の時間パターンと、ローカルノードデータの正確な校正を相乗化できる。 ニューラルネットワークサーチ(NAS)エンジンによって処理され、システムは自動的に高精度なベースラインモデルを生成する。 実験結果から,対象データをTimeTrackにマージすることで,コールドスタートの課題を効果的に軽減できることが示された。 この統合により、Mean Squared Error(MSE)、Mean Absolute Error(MAE)、Mean Absolute Percentage Error(MAPE)の予測精度が大幅に向上し、スパースローカルサンプルのみのトレーニング、ジェネリックデータセットのみのトレーニング、あるいはターゲットデータを標準の代替データセットと混合することにより、継続的MLOpsデプロイメントのための堅牢な基盤を確立する。

関連論文リスト

• No One-Model-Fits-All: Uncovering Spatio-Temporal Forecasting Trade-offs with Graph Neural Networks and Foundation Models [8.918505166222875]
  本研究は,空間センサ密度とサンプリング間隔の異なる予測モデルについて,系統的研究を行った。 以上の結果から,STGはセンサ配置が小さく,サンプリングレートが適度である場合に有効であることが示唆された。 重要なことは、TSFMは高周波で競合するが、隣り合うセンサーからの空間被覆が減少すると劣化する。
  論文  参考訳（メタデータ） (2025-11-07T11:50:39Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• An Automated Machine Learning Approach for Detecting Anomalous Peak Patterns in Time Series Data from a Research Watershed in the Northeastern United States Critical Zone [3.1747517745997014]
  本稿では,米国北東部臨界水域におけるセンサによる時系列データの異常検出を支援する機械学習フレームワークを提案する。 このフレームワークは特に、センサーの故障や自然現象から生じるピークパターンの異常を識別することに焦点を当てている。
  論文  参考訳（メタデータ） (2023-09-14T19:07:50Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。