論文の概要: Bridging Design and Execution: A Visual Graph Editor for Edge and Cloud Workflows
- arxiv url: http://arxiv.org/abs/2606.21416v1
- Date: Fri, 19 Jun 2026 13:34:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 13:35:17.398755
- Title: Bridging Design and Execution: A Visual Graph Editor for Edge and Cloud Workflows
- Title（参考訳）: Bridging Design and Execution: エッジとクラウドワークフローのためのビジュアルグラフエディタ
- Authors: Katarina-Glorija Grujić, Nikola Stanković, Maja Vukasović, Miloš Simić,
- Abstract要約: 本稿では,モジュール型アプリケーションをモデル化可能なドメイン固有ビジュアルグラフエディタを提案する。
このエディタは、計算単位を表すカーネル、共有メモリノード、分散データのモデリング、イベントトリガ、実行依存性のキャプチャという3つのファーストクラスの抽象化をサポートしている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Designing modular applications for edge and cloud computing environments involves coordinating multiple computational kernels, shared data, and event-driven execution. This paper presents a domain-specific visual graph editor that enables users to model such applications using a unified interface. The editor supports three first-class abstractions: kernels, representing computational units; shared memory nodes, modeling distributed data; and event triggers, capturing execution dependencies. Users can construct graphs visually, configure node properties, and connect elements to define data and control flow. The resulting graphs are automatically serialized into machine-readable representations (JSON/XML) and can be passed to an execution API, bridging the gap between design-time modeling and runtime deployment. The editor's graph-based model improves reasoning about data sharing, execution order, and dependencies, particularly in distributed edge and cloud scenarios. To demonstrate its applicability, we discuss a federated learning workflow, where local training kernels interact with a shared global model through event-driven coordination. Compared to traditional workflow editors and general-purpose diagramming tools, the proposed system provides explicit execution semantics, modularity, and direct deployability. This work lays the foundation for visual orchestration of modular computation in distributed environments and offers extensibility for user-defined kernels, event types, and alternative execution backends, enabling future exploration of complex distributed applications.
- Abstract（参考訳）: エッジとクラウドコンピューティング環境のためのモジュール化されたアプリケーションの設計には、複数の計算カーネル、共有データ、イベント駆動実行の調整が含まれる。
本稿では,ドメイン固有のビジュアルグラフエディタを提案する。
このエディタは、計算単位を表すカーネル、共有メモリノード、分散データのモデリング、イベントトリガ、実行依存性のキャプチャという3つのファーストクラスの抽象化をサポートしている。
ユーザはグラフを視覚的に構築し、ノードプロパティを設定し、要素を接続してデータを定義し、フローを制御することができる。
結果のグラフは自動的に機械可読表現(JSON/XML)にシリアライズされ、実行APIに渡すことができ、設計時モデリングとランタイムデプロイメントのギャップを埋める。
エディタのグラフベースのモデルは、特に分散エッジやクラウドシナリオにおいて、データ共有、実行順序、依存関係に関する推論を改善する。
その適用性を示すために、ローカルトレーニングカーネルがイベント駆動協調を通じて共有グローバルモデルと相互作用するフェデレーション学習ワークフローについて論じる。
従来のワークフローエディタや汎用ダイアグラムツールと比較して、提案システムは明示的な実行セマンティクス、モジュール性、直接的なデプロイ性を提供する。
この作業は、分散環境におけるモジュラー計算の視覚的オーケストレーションの基礎を築き、ユーザ定義カーネル、イベントタイプ、代替実行バックエンドの拡張性を提供し、複雑な分散アプリケーションの将来の探索を可能にする。
関連論文リスト
- Learning Joint Embeddings of Function and Process Call Graphs for Malware Detection [10.970691047273254]
ソフトウェアシステムはグラフとして表現することができ、機能やプロセス間の依存関係をキャプチャする。
本稿では,Function Call Graphs (FCG) とProcess Call Graphs (PCG) を構築し,共同埋め込みを学習するためのパイプラインを提案する。
論文 参考訳（メタデータ） (2025-10-11T03:24:51Z) - Intelligent Spark Agents: A Modular LangGraph Framework for Scalable, Visualized, and Enhanced Big Data Machine Learning Workflows [1.4582633500696451]
LangGraphフレームワークは、スケーラビリティ、視覚化、インテリジェントなプロセス最適化を通じて機械学習を強化するように設計されている。
このフレームワークの中核となるのは、Sparkの分散コンピューティング機能を活用する重要なイノベーションであるAgent AIだ。
フレームワークにはLangChainエコシステムを通じて大きな言語モデルも組み込まれており、構造化されていないデータとのインタラクションが強化されている。
論文 参考訳（メタデータ） (2024-12-02T13:41:38Z) - GraphControl: Adding Conditional Control to Universal Graph Pre-trained
Models for Graph Domain Transfer Learning [28.04023419006392]
グラフ自己教師型アルゴリズムは、豊富なラベルのないグラフデータから一般的な知識を取得することに成功している。
類似しているように見える領域の異なるグラフは、属性のセマンティクスの点で大きく異なる。
我々は、より優れたグラフドメイン転送学習を実現するために、ComputerNetによってモチベーションを得たGraphControlと呼ばれる革新的なデプロイモジュールを導入する。
論文 参考訳（メタデータ） (2023-10-11T10:30:49Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - Graph Kernel Neural Networks [53.91024360329517]
本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。
これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。
私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
論文 参考訳（メタデータ） (2021-12-14T14:48:08Z) - Enel: Context-Aware Dynamic Scaling of Distributed Dataflow Jobs using
Graph Propagation [52.9168275057997]
本稿では,属性グラフ上でメッセージの伝搬を利用してデータフロージョブをモデル化する,新しい動的スケーリング手法であるEnelを提案する。
Enelが効果的な再スケーリングアクションを識別でき、例えばノードの障害に反応し、異なる実行コンテキストで再利用可能であることを示す。
論文 参考訳（メタデータ） (2021-08-27T10:21:08Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T15:39:52Z) - Graph Neural Network to Dilute Outliers for Refactoring Monolith
Application [12.43382998243009]
ソフトウェアをよりよく理解するために,コードコンテキストにおけるグラフネットワークの最近の進歩に適応する新しい手法を提案する。
我々のソリューションは、ソフトウェア工学と既存のグラフ表現に基づく技術の両方の成果と比較して、最先端のパフォーマンスを向上させることができる。
論文 参考訳（メタデータ） (2021-02-07T16:00:27Z) - Task-Oriented Dialogue as Dataflow Synthesis [158.77123205487334]
本稿では,対話状態がデータフローグラフとして表現されるタスク指向対話へのアプローチについて述べる。
対話エージェントは、各ユーザの発話を、このグラフを拡張するプログラムにマッピングする。
我々は、イベント、天気、場所、人々に関する複雑な対話を特徴とする、新しいデータセットであるSMCalFlowを紹介した。
論文 参考訳（メタデータ） (2020-09-24T00:35:26Z) - Graph Convolution Machine for Context-aware Recommender System [59.50474932860843]
グラフ畳み込みの利点を文脈認識推薦システム(CARS)に拡張する。
我々は、エンコーダ、グラフ畳み込み層、デコーダの3つのコンポーネントからなるエンドツーエンドフレームワークである textitGraph Convolution Machine (GCM) を提案する。
我々はYelpとAmazonの3つの実世界のデータセットで実験を行い、GCMの有効性とCARSのためのグラフ畳み込みの利点を検証する。
論文 参考訳（メタデータ） (2020-01-30T15:32:08Z)
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。