論文の概要: Quota Marketplace: Dynamic Pricing for Efficient Allocation of ML Training Resources

• arxiv url: http://arxiv.org/abs/2607.09802v1
• Date: Thu, 09 Jul 2026 17:24:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.199658
• Title: Quota Marketplace: Dynamic Pricing for Efficient Allocation of ML Training Resources
• Title（参考訳）: Quota Marketplace: 機械学習トレーニングリソースの効率的な配置のための動的価格設定
• Authors: Balasubramanian Sivan, Renato Paes Leme, Mihai Tiuca, Ian McFarlane, Vasilis Gkatzelis, Nehal Mehta, Soheil Hassas Yeganeh, Vahab Mirrokni, Amin Vahdat,
• Abstract要約: 本稿では,Quota Marketplaceの設計,実装,展開,理論的解析について述べる。 機械学習(ML)トレーニングチップを効率的に割り当てるための、市場ベースのメカニズムである。 我々はQuota Marketplaceが効果的に扱う多くのビジネスクリティカルな要件について議論する。
• 参考スコア（独自算出の注目度）: 27.710446752525076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The escalating demand for Machine Learning (ML) training resources in recent years has resulted in a substantial gap between the high demand and the available supply. Efficient allocation of these scarce and expensive resources is crucial for organizations to maximize their return on investment. Existing resource allocation mechanisms, like Karma [OSDI'23], are designed to guarantee Pareto efficiency and max-min fairness in settings with dynamic (time-varying) user demands, but fail to preserve these key properties in the presence of demands with heterogeneous values. Given the ubiquity and inevitability of heterogeneity in organizational values of different workloads, effective resource allocation policies must accommodate these variations. In this paper, we describe the design, implementation, deployment, and theoretical analysis of Quota Marketplace, a market-based mechanism to efficiently allocate ML training chips (like GPUs), explicitly addressing scenarios with demands of heterogeneous value. We detail the implementation of this mechanism within Google and present metrics that demonstrate its impact. We also discuss many business-critical requirements that the Quota Marketplace handles quite effectively, and document the gains and opportunities it has unlocked. We establish theoretically how this market-based approach achieves the essential properties of Pareto efficiency and max-min fairness by allowing the users to express the value of their workloads and enabling dynamic resource pricing based on supply and demand fluctuations. Ultimately, the market facilitates resource allocation that aligns with organizational priorities.
• Abstract（参考訳）: 近年の機械学習(ML)トレーニングリソースの需要増大は、高需要と利用可能な供給との間に大きなギャップをもたらしている。 これらの希少で高価なリソースを効果的に割り当てることは、組織が投資への回帰を最大化する上で非常に重要です。 Karma [OSDI'23]のような既存のリソース割り当てメカニズムは、動的(時間によって変化する)ユーザ要求の設定においてPareto効率と最大ミンフェアネスを保証するように設計されている。 異なるワークロードの組織的価値における不均一性と不均一性を考えると、効果的なリソース割り当てポリシーはこれらのバリエーションに対応しなければならない。 本稿では,MLトレーニングチップ(GPUなど)を効率的に割り当てるマーケットベースのメカニズムであるQuota Marketplaceの設計,実装,展開,理論的解析について述べる。 我々は、このメカニズムをGoogle内で実装し、その影響を示すメトリクスを提示する。 また、Quota Marketplaceが効果的に扱える多くのビジネスクリティカルな要件についても議論し、それがアンロックした利益と機会を文書化しています。 我々は,この市場ベースアプローチが,ユーザのワークロードの価値を表現し,サプライと需要変動に基づく動的リソース価格設定を可能にすることによって,パレート効率と最大値公平性の本質的特性を実現する方法を確立した。 最終的に市場は、組織的な優先順位に沿ったリソース割り当てを促進します。

関連論文リスト

• Trading Utility for Dynamic Fairness in Multiple Resource Division with Sequential Demand [8.838518847441728]
  本稿では,有効性と公正性を両立するニューラルアロケーション機構を提案する。 まず、段階的損失関数による動的設定における公正性を定式化する。 我々は、需要のサブスペースに割り当てを制約することで、ソリューションをパラメータ化した。
  論文  参考訳（メタデータ） (2026-06-09T06:41:04Z)
• Bayesian Optimization for Dynamic Pricing and Learning [0.306238659426286]
  ダイナミックな価格設定は、市場の需要に応じて企業の収益を最大化するために製品の販売価格を調整するプラクティスである。 従来の手法では需要関数の特定のパラメトリック形式を前提としており、強化学習(RL)を用いて最適に近い価格戦略を特定できる。 本稿では,制約付きモデリング仮定を避けるために,動的価格に対する非パラメトリックなアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-14T12:28:06Z)
• Trade in Minutes! Rationality-Driven Agentic System for Quantitative Financial Trading [57.28635022507172]
  TiMiは、アーキテクチャ上、戦略開発を分単位のデプロイメントから切り離す合理性駆動型マルチエージェントシステムである。 本稿では,マクロパターンからマイクロカスタマイズ,トレーディングボット実装のための階層型プログラミング設計,数学的リフレクションによって駆動されるクローズドループ最適化までの2層解析パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-06T13:08:55Z)
• MOHAF: A Multi-Objective Hierarchical Auction Framework for Scalable and Fair Resource Allocation in IoT Ecosystems [0.565395466029518]
  本稿では、コスト、QoS(Quality of Service)、エネルギー効率、公平性を共同で最適化する分散リソース割り当て機構を提案する。 3,553の要求と888のリソースからなるGoogle Cluster Dataトレースの実験では、完全な公正性(Jainのインデックス=1.000)を達成しつつ、MOHAFの優れたアロケーション効率(0.185)、First-Price(0.138)、Random(0.101)のオークションを実証した。
  論文  参考訳（メタデータ） (2025-08-20T16:25:37Z)
• COALESCE: Economic and Security Dynamics of Skill-Based Task Outsourcing Among Team of Autonomous LLM Agents [0.0]
  COALESCEは、自律型大規模言語モデル(LLM)エージェントが特定のサブタスクを、特殊で費用対効果の高いサードパーティのLCMエージェントにアウトソースできるように設計された、新しいフレームワークである。 239の理論的シミュレーションによる総合的な検証は41.8%のコスト削減の可能性を示している。 240の実際のLCMタスクにわたる大規模な実証検証により、適切なエプシロン-グレディー探索によって20.3%のコスト削減が確認された。
  論文  参考訳（メタデータ） (2025-06-02T17:22:47Z)
• Deep Learning Meets Mechanism Design: Key Results and Some Novel Applications [1.2661010067882734]
  本稿では、関連する文献から、深層学習を用いたメカニズム設計の技術的詳細について述べる。 本稿では,3つのケーススタディにおいて,このアプローチのパワーを実証する。
  論文  参考訳（メタデータ） (2024-01-11T06:09:32Z)
• HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and Regime-Switch VAE [113.47287249524008]
  オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。 本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。 4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-06-05T12:58:13Z)
• Online Learning of Competitive Equilibria in Exchange Economies [94.24357018178867]
  経済学では、複数の有理エージェント間の資源不足の共有は古典的な問題である。 エージェントの好みを学習するためのオンライン学習機構を提案する。 数値シミュレーションにより,本機構の有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-11T21:32:17Z)
• Online Learning Demands in Max-min Fairness [91.37280766977923]
  本稿では,複数のユーザ間の希少リソースの割り当て機構について,効率的で公平で戦略に準拠した方法で記述する。 このメカニズムは複数のラウンドで繰り返され、各ラウンドでユーザの要求が変更される可能性がある。 各ラウンドの最後には、ユーザは受け取ったアロケーションに関するフィードバックを提供し、そのメカニズムが時間の経過とともにユーザの好みを学習することを可能にする。
  論文  参考訳（メタデータ） (2020-12-15T22:15:20Z)
• VCG Mechanism Design with Unknown Agent Values under Stochastic Bandit Feedback [104.06766271716774]
  本研究では,エージェントが自己の価値を知らない場合に,マルチラウンドの福祉最大化機構設計問題について検討する。 まず、福祉に対する後悔の3つの概念、各エージェントの個々のユーティリティ、メカニズムの3つの概念を定義します。 当社のフレームワークは価格体系を柔軟に制御し、エージェントと販売者の後悔のトレードオフを可能にする。
  論文  参考訳（メタデータ） (2020-04-19T18:00:58Z)
• Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
  深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。 具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。 蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
  論文  参考訳（メタデータ） (2020-03-06T06:28:17Z)

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。