論文の概要: Less Is More: Tuning Configurable Systems with Imperfect Fidelity

• arxiv url: http://arxiv.org/abs/2608.00759v1
• Date: Sat, 01 Aug 2026 16:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.888431
• Title: Less Is More: Tuning Configurable Systems with Imperfect Fidelity
• Title（参考訳）: 設定可能なシステムを不完全な忠実度でチューニングする
• Abstract要約: コンフィグレーションチューニングは、非常に優れた予算利用で大幅に改善できます。 MFTuneは、104ドル以上の不完全性設定を積極的に探索するチューナーである。 実験の結果、MFTuneは83.33ドル%のケースで、最大で19.34%の改善がある。
• 参考スコア（独自算出の注目度）: 12.914827714998056
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Configuration tuning is essential for optimizing the performance of highly configurable systems, e.g., throughput or runtime, under a given environment. Yet, this is a challenging process as there can be many options to tune, and configuration measurement is often highly expensive. In this paper, we demonstrate the phenomenon of ``less can be more'': system configuration tuning can be greatly improved with much superior budget utilization by partially tuning under the imperfect-fidelity---an environment that is similar, but cheaper to measure, compared with the concerned perfect-fidelity of environment under which the system should be tuned. We codify a conceptual framework of fidelity for configurable systems, drawing on which allows us to propose MFTune, a tuner that proactively explores in the space of $>10^4$ possible imperfect-fidelity settings to approximate a useful one, which strikes for the wideness of tuning. This creates high-quality seeds for the perfect-fidelity, which in turn ensures the tuning depth. Experiment results against $10$ state-of-the-art tuners, obtained from running diverse real-world systems for $19$ months $24 \times 7$, show that MFTune performs considerably better on $83.33$\% cases with up to $19.34\%$ improvement while achieving hours of budget saving in general.
• Abstract（参考訳）: 設定チューニングは、所定の環境下での高度に構成可能なシステム、例えばスループットやランタイムのパフォーマンスを最適化するために不可欠である。 しかし、チューニングするオプションがたくさんあるため、これは難しいプロセスです。 本稿では, システム構成の調整が, 不完全不完全性の下で部分的に調整することで, より優れた予算利用により, システム構成のチューニングが大幅に改善されることを実証する。 構成可能なシステムに対する忠実度の概念的枠組みを定式化し、MFTuneを提案する。MFTuneは10^4$以上の不完全性設定を積極的に探索して有用な設定を近似し、チューニングの幅を広くするチューナーである。 これにより、完全な忠実度のための高品質なシードが生成され、それによってチューニングの深さが保証される。 10ドルの最先端チューナーに対する実験結果では、様々な現実世界のシステムを19ドル(約1,300円)で運営し、24ドル(約2,400円)で7ドル(約2,300円)で運営した。

関連論文リスト

• When to Use Which? Benchmarking Optimisers for Configurable Systems under Varying Budgets [13.971439283271152]
  予算レベルを考えると、SE実践者にとって最適な選択肢は何でしょう? 予算レベルの異なる22システムに対して,確立された8オプティマイザを系統的に評価した。 1つのオプティマイザであるFLASHは、予算に関わらず、ほとんどのシステムで一貫して機能する。
  論文  参考訳（メタデータ） (2026-07-17T19:48:58Z)
• Wall-Clock Complexity for Zeroth-Order Optimization with Tunable Oracle Fidelity [68.54852541944625]
  ブラックボックス最適化は勾配が利用できない場合に適用され、客観的評価は高価なシミュレーションに依存する。 本稿では, オラクル型, ノイズモデル, 最適化方式の選択が, アルゴリズムパラメータに対する壁面最適選択をいかに引き起こすかを示す。
  論文  参考訳（メタデータ） (2026-05-29T14:24:54Z)
• Hyperparameter Transfer Enables Consistent Gains of Matrix-Preconditioned Optimizers Across Scales [55.91454326946738]
  学習速度と減量率の最適化は,幅広い言語に対して,モデルの幅と深さでどのようにスケールするかを検討する。 我々は、$Pによる学習率のスケーリングは転送を改善するが、それでもかなりの有限幅偏差に悩まされる可能性があることを見出した。 計算-最適スケーリングでは、独立したウェイト崩壊が1/mathrmwidth$で言語間でほぼ最適であることが分かる。
  論文  参考訳（メタデータ） (2025-12-05T11:03:41Z)
• CoTune: Co-evolutionary Configuration Tuning [4.208654120634349]
  CoTuneは、目標とするパフォーマンス要件に関する情報を、共進化を通じて考慮するツールである。 162のケース(9つのシステムと18の要件)の実験結果から、CoTuneは既存のチューナーよりもかなり優れていることが判明した。
  論文  参考訳（メタデータ） (2025-09-29T12:27:47Z)
• PromiseTune: Unveiling Causally Promising and Explainable Configuration Tuning [4.208654120634349]
  PromiseTuneは、因果的に精製されたルールによってガイドされる設定をチューニングする。 PromiseTuneは、全体的な2位よりも42%優れたランクを持つものよりも、はるかに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） (2025-07-08T13:54:22Z)
• Adapting Multi-objectivized Software Configuration Tuning [6.42475226408675]
  本稿では,AdMMOと呼ばれる重み適応手法を提案する。 私たちのキーとなるアイデアは、チューニング中に適切なタイミングで重みを適応的に調整し、非支配的な構成のかなりの割合を維持できるようにすることです。
  論文  参考訳（メタデータ） (2024-04-06T22:08:09Z)
• DITTO: Diffusion Inference-Time T-Optimization for Music Generation [49.90109850026932]
  Diffusion Inference-Time T-Optimization (DITTO) は、事前訓練されたテキストから音楽への拡散モデルを推論時に制御するためのフレームワークである。 我々は、インペイント、アウトペイント、ループ化、強度、メロディ、音楽構造制御など、驚くほど幅広い音楽生成応用を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:10:10Z)
• Optimal noisy entanglement testing for ranging and communication [0.5439020425818999]
  量子システム$S$が他のシステム$I$と絡み合うと、絡み合いテスト問題が発生する。 このシナリオは、量子レンジングと絡み合い支援通信で遭遇する測定タスクのモデルとして機能する。 本稿では,局所的な操作や古典的通信で実装可能な絡み合い試験のための構造設計について述べる。
  論文  参考訳（メタデータ） (2023-12-22T20:22:01Z)
• Residual Prompt Tuning: Improving Prompt Tuning with Residual Reparameterization [57.379285443780894]
  Residual Prompt Tuningは,プロンプトチューニングの性能と安定性を大幅に向上させる,シンプルで効率的な手法である。 提案手法は,T5-Baseによるプロンプトチューニングよりも+7ポイント向上し,パフォーマンスを損なうことなく,プロンプト長を10倍短縮できることを示す。
  論文  参考訳（メタデータ） (2023-05-06T05:35:14Z)
• Matching Pursuit Based Scheduling for Over-the-Air Federated Learning [67.59503935237676]
  本稿では,フェデレートラーニング手法を用いて,オーバー・ザ・エアラーニングのための低複雑さデバイススケジューリングアルゴリズムのクラスを開発する。 最先端の提案方式と比較すると,提案方式は極めて低効率なシステムである。 提案手法の有効性は,CIFARデータセットを用いた実験により確認した。
  論文  参考訳（メタデータ） (2022-06-14T08:14:14Z)
• Structured Prompt Tuning [83.71253868369999]
  入力に調整可能な埋め込み列を前もって予測するのではなく、ハイパーネットワークを通してソフトプロンプト埋め込みを生成する。 我々のアプローチは標準のプロンプトチューニングを仮定し、モデル設計の柔軟性を高め、シングルタスクとマルチタスクの両方のトレーニング設定に適用できる。
  論文  参考訳（メタデータ） (2022-05-24T18:36:34Z)
• Multi-Objectivizing Software Configuration Tuning (for a single performance concern) [7.285442358509729]
  補助的な性能目標を考慮したメタ目的化モデル(MMO)を提案する。 我々のモデルは,局所最適性を克服する上で,最先端の単目的モデルよりも統計的に有効である。
  論文  参考訳（メタデータ） (2021-05-31T03:03:53Z)

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。