論文の概要: OmniPlan: An Adaptive Framework for Timely and Near-Optimal Network Planning Optimization

• arxiv url: http://arxiv.org/abs/2606.18105v2
• Date: Wed, 17 Jun 2026 07:29:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 13:57:35.226006
• Title: OmniPlan: An Adaptive Framework for Timely and Near-Optimal Network Planning Optimization
• Title（参考訳）: OmniPlan: タイムリーでほぼ最適なネットワーク計画最適化のための適応フレームワーク
• Authors: Longlong Zhu, Jiashuo Yu, Zedi Chen, Yuhan Wu, Zhifan Jiang, Yuchen Xian, Yimeng Liu, Jiajie Su, Shaopeng Zhou, Xingyuan Li, Hongyan Liu, Xuan Liu, Dong Zhang, Chunming Wu, Xiang Chen,
• Abstract要約: 我々は、ネットワーク計画最適化において、タイムラインとほぼ最適性を両立する適応フレームワークであるOmniPlanを提案する。 実世界のテストベッドを用いた実験は,OmniPlanが実世界の機械学習推論タスクに対して,ほぼ最適かつ低実行を実現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）: 26.168304088505085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network planning optimization is a fundamental problem across diverse domains, including transportation systems, communication networks, and power grids. It requires simultaneous optimization of multiple competing objectives under complex constraints. Existing network planning optimization frameworks rely on mixed integer programming (MIP) solvers, heuristics, and deep reinforcement learning (DRL) models to compute planning decisions. However, they lack effective adaptability to diverse and dynamic user intents, thus leading to the trade-off between execution time and optimality. In this paper, we propose OmniPlan, an adaptive framework that achieves both timeliness and near-optimality in network planning optimization. To achieve the adaptability lacking in existing solutions, OmniPlan employs a large language model (LLM)-based interpreter to convert heterogeneous natural-language intents into a unified and quantifiable user-preference vector. Then it employs a mixture-of-experts architecture that integrates MIP solvers, heuristics, and DRL models as specialized experts, where OmniPlan adapts to diverse intents by dynamically selecting timely and near-optimal experts. Finally, it incorporates a DRL-based expert configuration module that fine-tunes optimization objective weights to align planning decisions with user-specific preferences. We evaluate OmniPlan with a representative real-world workload, i.e., distributed machine learning (ML), where we leverage OmniPlan to offload a wide spectrum of ML inference tasks, e.g., decision trees, SVM, naive Bayes, XGBoost, and random forests, onto a network of hardware devices. Our experiments on a real-world testbed indicate that OmniPlan achieves near-optimal and low-execution-time offloading for real-world ML inference tasks, reducing latency by up to 97.8\% and network device resource consumption by up to 11.5\%.
• Abstract（参考訳）: ネットワーク計画最適化は、輸送システム、通信ネットワーク、電力網など、様々な領域にまたがる根本的な問題である。 複雑な制約の下で複数の競合対象を同時に最適化する必要がある。 既存のネットワーク計画最適化フレームワークは、計画決定を計算するために混合整数計画法(MIP)、ヒューリスティックス、深層強化学習(DRL)モデルに依存している。 しかし、それらは多様で動的なユーザ意図への効果的な適応性に欠けており、それによって実行時間と最適性の間のトレードオフにつながります。 本稿では,ネットワーク計画最適化におけるタイムラインとほぼ最適性を両立する適応型フレームワークであるOmniPlanを提案する。 既存のソリューションに欠けている適応性を実現するため、OmniPlanは、多種多様な自然言語インテントを統一的で定量化可能なユーザ参照ベクトルに変換するために、LLMベースのインタプリタを使用する。 次に、MIPソルバ、ヒューリスティックス、DRLモデルを専門の専門家として統合した、エキスパートの混在アーキテクチャを採用し、OmniPlanは、タイムリーかつほぼ最適の専門家を動的に選択することで、多様な意図に適応する。 最後に、DRLベースのエキスパート設定モジュールを組み込んで、計画決定をユーザ固有の好みと整合させる最適化目標重みを微調整する。 我々はOmniPlanを代表的な現実世界のワークロード、すなわち分散機械学習(ML)で評価し、OmniPlanを利用して幅広いML推論タスク、例えば、決定木、SVM、ネイティブベイズ、XGBoost、ランダムフォレストをハードウェアデバイスネットワークにオフロードする。 実世界のテストベッドにおける実験から,OmniPlanは実世界のML推論タスクに対して,ほぼ最適かつ低実行時のオフロードを実現し,レイテンシを97.8\%,ネットワークデバイスのリソース消費量を最大11.5\%削減できることが示された。

関連論文リスト

• Joint Optimization of Training and Inference in Federated Edge Learning via Constrained Multi-Objective Deep Reinforcement Learning [9.37821062000313]
  エッジインテリジェンス(EI)を実現するための有望なパラダイムとしてFederated Edge Learning(FEEL)が登場した。 リソース制約のあるエッジデバイス上でのフェデレーショントレーニングと推論を共同で管理する,オンライン最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T14:51:07Z)
• Task-free Adaptive Meta Black-box Optimization [55.461814601130044]
  対象タスクからのみ最適化データを用いてオンラインパラメータ適応を行うアダプティブメタブラックボックス最適化モデル(ABOM)を提案する。 メタトレーニングと最適化フェーズを分離する従来のメタBBOフレームワークとは異なり、ABOMはクローズドループパラメータ学習機構を導入し、パラメータ化された進化演算子を継続的に自己更新する。 このパラダイムシフトはゼロショット最適化を可能にする: 合成BBOベンチマークにおけるABOMの競合性能と、手作りのトレーニングタスクを伴わない現実的な無人飛行路計画問題。
  論文  参考訳（メタデータ） (2026-01-29T09:54:10Z)
• COMPASS: A Multi-Turn Benchmark for Tool-Mediated Planning & Preference Optimization [47.26757420020116]
  本稿では,現実的な旅行計画シナリオにおけるエージェントの評価を行うベンチマークを提案する。 我々は、20の国立公園の交通、宿泊、チケット販売を網羅する現実的な旅行データベースを構築している。 i) エージェントが制約を確実に満たすが、選好を最適化できない、(ii) 計画調整のギャップ、(ii) マルチサービス(フライトとホテル)の調整タスクのパフォーマンスが崩壊する、という2つの重要なギャップを明らかにする。
  論文  参考訳（メタデータ） (2025-10-08T14:09:46Z)
• TSLA: A Task-Specific Learning Adaptation for Semantic Segmentation on Autonomous Vehicles Platform [60.378160142579]
  NVIDIAtextsuperscripttextregistered DRIVE PX 2.0のようなターゲットプラットフォームにデプロイする場合、計算コストを考慮することが重要です。 我々の目標は、自律運転ハードウェアの計算能力と特定のシナリオに応じてセマンティックセグメンテーションネットワークをカスタマイズすることである。
  論文  参考訳（メタデータ） (2025-08-17T08:09:13Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Optimization-based Learning for Dynamic Load Planning in Trucking Service Networks [14.972807276002465]
  本稿では,フローと負荷計画の課題を共同で検討するアウトバウンド負荷計画問題(OLPP)について考察する。 本研究の目的は,ネットワーク上の端末で意思決定を行う計画立案者に対して,意思決定支援ツールを開発することである。
  論文  参考訳（メタデータ） (2023-07-08T21:28:20Z)
• Studying Evolutionary Solution Adaption Using a Flexibility Benchmark Based on a Metal Cutting Process [39.05320053926048]
  システム柔軟性のためのバイオインスパイアされたフレームワークの観点から、異なる生産要件を最適化することを検討する。 NSGA-IIの柔軟性は,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)アクティベートあるいは非アクティベート可能な様々な可能性に対応する,アクティブな非アクティブなジェノタイプという2つの変種によって拡張される。
  論文  参考訳（メタデータ） (2023-05-31T12:07:50Z)
• Self-Evolutionary Optimization for Pareto Front Learning [34.17125297176668]
  マルチタスク問題に対する多目的最適化(MOO)手法が提案されている。 最近のMOO法は、単一の統一モデルで複数の最適解(パレートフロント)を近似する。 PFLは複数の目的を持つ別のMOO問題に再変換可能であることを示し、それぞれがタスクの好みの重みに対応していることを示す。
  論文  参考訳（メタデータ） (2021-10-07T13:38:57Z)

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。