論文の概要: Schedulable Job-Level Dependencies for Cause-Effect Chains via Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2607.02624v1
- Date: Thu, 02 Jul 2026 11:48:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.365729
- Title: Schedulable Job-Level Dependencies for Cause-Effect Chains via Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークによる因果影響連鎖のスケジューリング可能なジョブレベル依存性
- Abstract要約: ジョブレベルの依存関係(JLD)は、基礎となるスケジューラとは独立して、データ年齢をバウンドするスケジュールに依存しないメカニズムを提供する。
本稿では,温度制御型2レベルグラフニューラルネットワークを中心に構築された,機械学習に基づくJLD合成法を提案する。
MLベースジェネレータは,高次低合成時間を実現しつつ,元のグリージージェネレータを著しく上回っていることを示す。
- 参考スコア（独自算出の注目度）: 2.0568360952522164
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern automotive software architectures comprise large sets of mixed-criticality functions executing on shared multi-core platforms with strict real-time and end-to-end timing requirements. Sensor-to-actuator data propagation in such systems is typically expressed via cause-effect chains with worst-case data-age budgets. Job-level dependencies (JLDs) have been introduced to provide a schedule-agnostic mechanism for bounding the data age independently of the underlying scheduler. The state-of-the-art methods for synthesizing JLDs, however, do not check whether the produced JLDs are enforceable under a concrete scheduling policy or jointly schedulable at the system level. In this paper we propose the first machine-learning-based JLD synthesis method, built around a two-level Graph Neural Network with temperature-controlled sampling that learns the structural patterns connecting cause-effect chain configurations to their JLD solutions. Since learned outputs may not be correct by construction, we embed the GNN in a novel Generate-and-Verify architecture in which a safe DP data-age checker, together with a per-chain EDF feasibility checker and a system-level demand-bound test, accept or reject each candidate. We show that the ML-based generator substantially outperforms the original greedy heuristic while achieving orders-of-magnitude lower synthesis time, demonstrating that learned structural priors can effectively replace exponential propagation-tree enumeration on this class of real-time scheduling problems.
- Abstract（参考訳）: 現代の自動車ソフトウェアアーキテクチャは、厳密なリアルタイムとエンドツーエンドのタイミング要件を持つ共有マルチコアプラットフォーム上で実行される多数の混合臨界関数から構成されている。
このようなシステムにおけるセンサ・ツー・アクチュエータのデータ伝搬は、典型的には、最悪のデータエイジ予算を持つ原因・効果連鎖を介して表現される。
ジョブレベルの依存関係(JLD)は、基礎となるスケジューラとは独立してデータ年齢をバウンドするスケジュールに依存しないメカニズムを提供するために導入された。
しかし、JLDを合成するための最先端の手法は、具体的なスケジューリングポリシーの下で生産されたJLDを強制可能か、システムレベルで共同でスケジューリング可能かを確認するものではない。
本稿では,2レベルグラフニューラルネットワークをベースとした機械学習によるJLD合成手法を提案する。温度制御サンプリングにより,原因連鎖の構成とJLDソリューションを結合する構造パターンを学習する。
学習した出力は構築によっては正しくない可能性があるので、GNNを安全なDPデータエイジチェッカーとチェーンごとのEDFフィジビリティチェッカー、システムレベルの要求バウンドテスト、各候補の受け入れや拒否を行う新しいGenerate-and-Verifyアーキテクチャに組み込む。
本研究では,ML ベースジェネレータは,実時間スケジューリング問題に対する指数関数的伝播列挙を効果的に置き換えることができることを示すとともに,高次合成時間を実現しつつ,本来の強欲的ヒューリスティックを著しく上回ることを示す。
関連論文リスト
- Graph Machine Learning: An Opportunity for Power Systems [1.5684489039115146]
現代の電力システムは、再生可能エネルギー源の統合、分散化、リアルタイム意思決定の必要性によって、運用上の複雑さが増大している。
グラフ機械学習(GML)メソッドは、トポロジ的依存関係を帰納バイアスとして組み込むための自然なフレームワークを提供する。
我々は,GMLと電力システムの交差点で800件近い論文を調査し,予測,状態推定,最適化,制御,故障診断,サイバーセキュリティについて調査した。
論文 参考訳（メタデータ） (2026-08-17T12:33:46Z) - OSDAG: Online Scheduling for Efficient Multi-Robot Collaboration [2.2726869886741383]
本稿では, LLMに基づくタスク推論と, Directed Acyclic Graph表現と制約対応オンラインスケジューリングを統合した新しいフレームワークOSDAGを提案する。
5つのベンチマークシナリオの実験では、OSDAGは対話ベースの手法に比べて5～15倍高速な推論時間を実現し、シーケンシャルベースラインよりも最大38%のペースパンを削減し、競争的な成功率を維持している。
論文 参考訳（メタデータ） (2026-06-13T11:22:34Z) - Generating Logically Consistent Synthetic Supply Chain Data with LLM-Driven Knowledge Graph Reasoning [51.78065387034195]
本稿では,論理的に一貫した合成サプライチェーンデータ生成のための知識グラフ誘導フレームワークであるtextbftextitTabKGを紹介する。
論文 参考訳（メタデータ） (2026-05-26T10:41:37Z) - DAG-Based QoS-Aware Dynamic Task Placement for Networked Multi-Stage Control Pipelines [5.531395561451493]
現在の物理AIは、クローズドループのビジュアルサーボパイプラインに大きく依存している。
認識タスクをオンサイトエッジに静的にオフロードすることは、標準化された産業ネットワーク上でのレイテンシに敏感で正確な工業的設定には不適切である。
本稿では,ネットワーク型ロボットにおける知覚・知覚・計画制御パイプラインのための指向型非巡回グラフ(DAG)に基づく品質・オブ・サービス(QoS)対応動的タスク配置(DTP)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-19T14:17:02Z) - Automatic Ontology Construction Using LLMs as an External Layer of Memory, Verification, and Planning for Hybrid Intelligent Systems [0.0]
本稿では,大規模言語モデル(LLM)を外部オントロジメモリ層で拡張したインテリジェントシステムのためのハイブリッドアーキテクチャを提案する。
提案手法は,RDF/OWL表現を用いた構造化知識グラフの構築と維持を行う。
論文 参考訳（メタデータ） (2026-04-22T17:19:43Z) - DAG-STL: A Hierarchical Framework for Zero-Shot Trajectory Planning under Signal Temporal Logic Specifications [7.389002274709231]
タスクに依存しない軌道データのみを用いて,未知の動的条件下でのオフラインSTL計画について検討する。
DAG-STLは長期STL計画を3段階に変換する階層的なフレームワークである。
Maze2D、OGBench AntMaze、Cubeドメインでの実験により、DAG-STLは直接ロバスト性誘導拡散を著しく上回ることが示された。
論文 参考訳（メタデータ） (2026-04-20T14:41:37Z) - SGA-MCTS: Decoupling Planning from Execution via Training-Free Atomic Experience Retrieval [74.1918709002557]
我々は, LLM計画を非パラメトリック検索として活用するフレームワークである textbfSGA-MCTS を紹介する。
オンラインでは、検索増強剤は、関連するステート-ゴール-アクション原子を取得するために、ハイブリッドシンボリック-セマンティック機構を使用する。
SGA-MCTSは、探索の重い計算コストを効果的に減らし、System 1推論速度におけるシステム2推論の深さを達成し、スケーラブルかつリアルタイムに自律的な計画が実現可能である。
論文 参考訳（メタデータ） (2026-04-16T07:22:36Z) - A Learning Method with Gap-Aware Generation for Heterogeneous DAG Scheduling [6.655206888698601]
異種有向非巡回グラフ(DAG)のためのエンドツーエンド強化学習フレームワークを提案する。
WeCANはタスクプール互換性係数と生成誘起最適性ギャップに対処する。
グラフと実世界のTPC-H DAGの実験は、古典に匹敵する推論時間で、強いベースラインよりも改善されたメイスパンを示す。
論文 参考訳（メタデータ） (2026-03-24T14:16:08Z) - Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。
条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。
各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。
実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
論文 参考訳（メタデータ） (2025-10-09T05:28:28Z) - GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。
textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
論文 参考訳（メタデータ） (2025-10-06T08:09:15Z) - PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。
ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。
これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
論文 参考訳（メタデータ） (2025-08-29T01:47:27Z) - FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-10-16T16:13:19Z)
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。