論文の概要: SWIFT: Spatio-temporal Wavelet Integrated Forecasting Framework for Workload Traces
- arxiv url: http://arxiv.org/abs/2607.02524v1
- Date: Thu, 07 May 2026 13:58:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:12.979723
- Title: SWIFT: Spatio-temporal Wavelet Integrated Forecasting Framework for Workload Traces
- Title（参考訳）: SWIFT:ワークロードトレースのための時空間ウェーブレット統合予測フレームワーク
- Abstract要約: SWIFTは、高効率なワークロード予測のために設計された純粋な畳み込みフレームワークである。
本稿では,従来の固定ウェーブレットベースを適応的畳み込み演算子に変換する学習可能なカスケードウェーブレットパスを提案する。
我々の多変数相互作用モジュールは、ノイズの多いワークロード状態の安定化と改善のために、変数間および変数間の特徴相互作用を逐次モデル化する。
- 参考スコア（独自算出の注目度）: 7.54434622302292
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate cloud workload forecasting is pivotal for efficient resource management but remains challenging as workloads are highly volatile and prone to sudden bursts. Although wavelets preserve temporal locality, rigid fixed bases struggle with complex patterns and isolated processing neglects critical spatial dependencies. To address this, we propose SWIFT, a pure convolutional framework designed for high-efficiency workload forecasting. We introduce a Learnable Cascaded Wavelet Path that reformulates the traditional fixed wavelet bases into adaptive convolutional operators, enabling precise, data-driven feature peeling. Complementing this, our Multivariate Interaction Module sequentially models inter-variable spatial and intra-variable feature interactions to stabilize and refine noisy workload states. Extensive experiments demonstrate that SWIFT achieves SOTA accuracy with linear O(L) complexity, reducing prediction error by up to 31.04% while cutting latency by 79.74%.
- Abstract（参考訳）: クラウドワークロードの正確な予測は、効率的なリソース管理には不可欠だが、ワークロードが極めて揮発性であり、突然のバーストが発生しやすいため、依然として困難である。
ウェーブレットは時間的局所性を保っているが、固い固定基底は複雑なパターンに悩まされ、孤立処理は重要な空間依存を無視している。
そこで本研究では,高効率ワークロード予測のための純粋な畳み込みフレームワークであるSWIFTを提案する。
本稿では,従来の固定ウェーブレットベースを適応的な畳み込み演算子に再構成する学習可能なカスケードウェーブレットパスを提案する。
これを補完するために、我々の多変量相互作用モジュールは、ノイズの多いワークロード状態の安定化と洗練のために、変量空間および変量内特徴相互作用を逐次モデル化する。
大規模な実験により、SWIFTは線形O(L)複雑性でSOTA精度を達成し、予測誤差を最大31.04%削減し、レイテンシを79.74%削減した。
関連論文リスト
- LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳（メタデータ） (2026-05-11T09:54:02Z) - Learn Structure, Adapt on the Fly: Multi-Scale Residual Learning and Online Adaptation for Aerial Manipulators [2.376629619475859]
自律型空中マニピュレータ(AAM)は本質的に非定常・多スケール残留力学を示す非線形系である。
本稿では,AAMにおけるリアルタイム残差モデリングと補償のための予測適応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-12T08:02:43Z) - Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。
また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
論文 参考訳（メタデータ） (2026-02-02T21:33:03Z) - MixTTE: Multi-Level Mixture-of-Experts for Scalable and Adaptive Travel Time Estimation [10.549493962440804]
本稿では,リンクレベルのモデリングと産業用ルートレベルのTTEシステムを統合する,スケーラブルで適応的なフレームワークを提案する。
我々は、不均一なトラフィックパターンを扱うために、安定なグラフ混在ネットワークを構築した。
実世界のデータセットの実験により、MixTTEは7つのベースラインと比較して予測エラーを大幅に削減する。
論文 参考訳（メタデータ） (2026-01-06T11:40:20Z) - Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。
我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
論文 参考訳（メタデータ） (2025-12-02T14:42:54Z) - Structured Noise Modeling for Enhanced Time-Series Forecasting [0.0]
本研究は、構造的ノイズモデリングによる時間的忠実度を改善する予測ブルーデノエーズフレームワークを導入する。
電気、交通、太陽のデータセットにわたる実験は、マルチ水平精度と安定性において一貫した利得を示している。
このフレームワークは、エネルギー、インフラストラクチャ、その他の時間クリティカルドメインにわたる予測駆動決定サポートに使用される、より信頼性の高いAIシステムに寄与する。
論文 参考訳（メタデータ） (2025-11-24T19:44:46Z) - Lightweight Task-Oriented Semantic Communication Empowered by Large-Scale AI Models [66.57755931421285]
大規模人工知能(LAI)モデルは、リアルタイム通信シナリオにおいて重大な課題を提起する。
本稿では,LAIモデルから知識を抽出・凝縮するために知識蒸留(KD)技術を活用することを提案する。
本稿では,反復推論の必要性を排除したプレストア圧縮機構を備えた高速蒸留法を提案する。
論文 参考訳（メタデータ） (2025-06-16T08:42:16Z) - FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。
拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。
少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
論文 参考訳（メタデータ） (2025-05-23T00:07:59Z) - AMR-Transformer: Enabling Efficient Long-range Interaction for Complex Neural Fluid Simulation [33.63726923336252]
本稿では,AMR-Transformerを提案する。
これは、Navier-Stokes制約を意識した高速刈取モジュールと、新しい適応メッシュリファインメントスキームを統合している。
提案手法は,ベースラインモデルよりも精度が向上する。
論文 参考訳（メタデータ） (2025-03-13T11:16:42Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳（メタデータ） (2023-01-05T13:59:29Z)
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。