論文の概要: Incentives and Evidence in Learned Service Orchestration

• arxiv url: http://arxiv.org/abs/2606.16555v1
• Date: Mon, 15 Jun 2026 10:57:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.467307
• Title: Incentives and Evidence in Learned Service Orchestration
• Title（参考訳）: 学習サービスオーケストレーションにおけるインセンティブとエビデンス
• Authors: Syed Izhan Khilji, Alireza Furutanpey, Schahram Dustdar,
• Abstract要約: サービスオーケストレーションのための強化学習は10年以上にわたって持続的な研究の対象となっているが、大規模生産では使われていない。 資源割り当て,DAGスケジューリング,自動スケーリングにまたがる3つの強力なRLベースのオーケストレーションシステムを評価する。 診断分析は、これらの結果はしばしば、学習したコントローラーが摂動を許容する証拠よりも、崩壊、人工物制限、評価の選択を反映していることを示している。
• 参考スコア（独自算出の注目度）: 6.477630144767846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reinforcement learning for service orchestration has been the subject of sustained research for over a decade, yet it is not used in production at scale. The usual explanation is that learned controllers degrade under delayed and noisy telemetry, workload shifts, and uncontrolled tenants. We test whether existing evidence supports that explanation. We evaluate three highly influential RL-based orchestration systems spanning resource allocation, DAG scheduling, and autoscaling, using pre-registered predictions about comparative degradation under production-relevant perturbations and paired inference with family-wise error correction. Across the tests, most predicted performance reversals do not occur. Diagnostic analyses show that these outcomes often reflect comparator collapse, artefact limitations, or evaluation choices rather than evidence that learned controllers tolerate the perturbations. One apparent advantage under observation lag is roughly fortyfold compared to a Kubernetes HPA-equivalent controller. Another widely cited result cannot be reconstructed from its released artefact, and the strongest reproducible margin is far smaller than the published results. Conclusions also reverse under changes in perturbation magnitude and evaluation mode. Based on these results and broader patterns in the literature, we identify an institutional problem. Publication and review incentives favour benchmark gains against convenient comparators, even when those gains provide little evidence of deployment performance. We argue that the problem is not solely technical. Rather, it is institutional, so learned orchestration needs production-grade comparators, registered perturbation models, separate operational metrics, and publication criteria that reward reproducible operational evidence. Without these changes, the literature can grow without establishing whether learning improves orchestration.
• Abstract（参考訳）: サービスオーケストレーションのための強化学習は10年以上にわたって持続的な研究の対象となっているが、大規模生産では使われていない。 通常の説明では、学習したコントローラは遅延したノイズの多いテレメトリ、ワークロードシフト、制御不能なテナントの下で劣化する。 既存の証拠がその説明を支持するかどうかを検証する。 本稿では,資源割り当て,DAGスケジューリング,自動スケーリングにまたがる3つの強力なRLベースのオーケストレーションシステムを評価する。 テスト全体では、ほとんどの予測されたパフォーマンス逆転は発生しない。 診断分析により、これらの結果は、学習したコントローラーが摂動を許容する証拠よりも、コンパレータの崩壊、アーティファクトの制限、評価の選択を反映していることが示された。 監視ラグ下での明らかなメリットの1つは、Kubernetes HPA相当のコントローラと比較して、およそ4倍である。 他の広く引用された成果は、公表された成果から再構成することはできず、最も高い再現可能なマージンは、公表された結果よりもはるかに小さい。 コンクルージョンは摂動の大きさや評価モードの変化の下でも逆となる。 これらの結果と文献の広範なパターンに基づいて,制度上の問題を特定する。 公開とレビューのインセンティブは、デプロイパフォーマンスの証拠がほとんどない場合でも、便利なコンパレータに対するベンチマーク利得を好んでいる。 問題は単なる技術的問題ではないと我々は主張する。 むしろ制度的なものであり、学習されたオーケストレーションには、生産レベルのコンパレータ、登録された摂動モデル、別々の運用メトリクス、再現可能な運用証拠を報酬する公開基準が必要である。 これらの変更がなければ、学習がオーケストレーションを改善するかどうかを確かめることなく、文学は成長する。

関連論文リスト

• TAPO: Tool-Aware Policy Optimization via Credit Transfer for Multimodal Search Agents [54.08846865906602]
  ツール強化マルチモーダルサーチエージェントにおいて,クレジットミス割り当てをGRPOの系統的障害モードとして特徴付ける。 本稿では,情報取得ツールのパラメータ決定性を利用したツール・アウェア・ポリシー・オプティマイズ(TAPO)を提案する。
  論文  参考訳（メタデータ） (2026-06-04T07:15:43Z)
• Disjoint or Overlapping? Inference Windowing for Reconstruction-Based Time Series Anomaly Detection [1.5439079597766574]
  本研究では,サブシーケンスが不整合ウィンドウとして処理されるか,重なり合うかを制御する推論ストライドの役割について検討する。 本稿では、TSB-ADベンチマーク上で、統一的なトレーニング、チューニング、およびマルチシード評価プロトコルを提案する。 重なり合うウィンドウは、平均的な相対的なゲインが+28%まで向上し、メソッドランキングを変更することができることを示す。
  論文  参考訳（メタデータ） (2026-06-02T19:42:30Z)
• When LLM Reward Design Fails: Diagnostic-Driven Refinement for Sparse Structured RL [10.399451281089318]
  我々はMiniGridをコア評価として,MuJoCoを境界応力試験として用いたPPO訓練剤について検討した。 私たちの監査では、報酬の洪水とセマンティック/API誤解という、2つの主要なワンショット障害モードを見つけました。 本稿では,トレーニング診断と障害モード分類ガイドが報酬関数の修正を対象とする,診断駆動反復改善法を提案する。
  論文  参考訳（メタデータ） (2026-05-27T17:57:43Z)
• Sibyl-AutoResearch: Autonomous Research Needs Self-Evolving Trial-and-Error Harnesses, Not Paper Generators [37.075000666622074]
  我々はScientific Trial-and-Error Harnessesを中心に構築された自己進化型AutoResearchフレームワークであるSibyl-AutoResearchを紹介した。 ハーネスは、エージェントが有界なトライアルを実行し、肯定的な結果と否定的な結果を保持し、後続の計画、検証、クレームスコープ、スケジューリング、批判、執筆、修復に教訓を導いてくれる。 SIBYLはファイルベースの自律的な研究システムで、状態、役割、メモリ、ゲート、アーティファクトトレースを公開して変換パスを検査する。
  論文  参考訳（メタデータ） (2026-05-21T11:29:08Z)
• Perception Without Engagement: Dissecting the Causal Discovery Deficit in LMMs [68.58207076756237]
  本稿では,結果評価からメカニズム診断へ移行する摂動に基づく評価プロトコルProCauEvalを紹介する。 因果推論において,ビデオコンテンツは体系的に過小評価されている。 教師のネガティブなアライメントに基づく強化学習フレームワークであるADPOを提案する。
  論文  参考訳（メタデータ） (2026-05-10T08:48:58Z)
• FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation [73.22935457705057]
  時間的動的文脈における再ランカ評価のためのベンチマークであるFRESCOを紹介する。 レクエンシ検索クエリと過去のウィキペディアのリビジョンを組み合わせることで、FRESCOは、セマンティックな関連性を維持しながら、リランカが事実として最新の証拠を優先順位付けできるかどうかをテストする。 我々の評価では、既存の再ランカ間で一貫した障害モードが明らかになっている。
  論文  参考訳（メタデータ） (2026-04-14T17:04:25Z)
• The Alignment Bottleneck in Decomposition-Based Claim Verification [17.197804072440665]
  我々は、時間的拘束力のある証拠と人間による注釈付きサブステートメント証拠を含む、現実世界の複雑なクレームのデータセットを新たに導入する。 サブステートアラインド・アライメント・エビデンス(SAE)と繰り返しクライム・レベル・エビデンス(SRE)という2つのアライメント・アライメント・セットアップの下での分解を評価する。 以上の結果から,エビデンスがきめ細やかで厳密に整合している場合にのみ,分解が大幅な性能向上をもたらすことが明らかとなった。
  論文  参考訳（メタデータ） (2026-02-11T00:02:16Z)
• Whose Name Comes Up? Benchmarking and Intervention-Based Auditing of LLM-Based Scholar Recommendation [0.0]
  大きな言語モデル(LLM)は、学術専門家の推薦にますます使われている。 拒絶や幻覚、不均一なカバレッジといった失敗が、モデルの選択やデプロイメントの決定に起因するかどうかは不明だ。 LLMScholarBenchは,LLMに基づく学術推薦のベンチマークである。
  論文  参考訳（メタデータ） (2026-02-09T16:34:57Z)
• Automatic Reviewers Fail to Detect Faulty Reasoning in Research Papers: A New Counterfactual Evaluation Framework [55.078301794183496]
  我々は、高品質なピアレビューを支えるコアレビュースキル、すなわち欠陥のある研究ロジックの検出に注力する。 これは、論文の結果、解釈、クレームの間の内部の一貫性を評価することを含む。 本稿では,このスキルを制御条件下で分離し,テストする,完全自動対物評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-29T08:48:00Z)
• Reasoning or Memorization? Unreliable Results of Reinforcement Learning Due to Data Contamination [67.67725938962798]
  大規模なWebスケールコーパスの事前トレーニングは、広く使用されているベンチマークでデータ汚染の影響を受けやすいQwen2.5が残る。 我々はRandomCalculationと呼ばれる任意の長さと難易度を持つ完全クリーンな算術問題を生成するジェネレータを導入する。 精度の高い報酬信号のみがベースモデルの性能境界を超える安定した改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-07-14T17:55:15Z)
• Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
  実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。 我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
  論文  参考訳（メタデータ） (2021-10-12T17:21:41Z)

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。