論文の概要: Evaluating Forecasting Techniques for Hardware Errors on a Large-scale HPC System

• arxiv url: http://arxiv.org/abs/2608.01648v1
• Date: Mon, 03 Aug 2026 03:38:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.314837
• Title: Evaluating Forecasting Techniques for Hardware Errors on a Large-scale HPC System
• Title（参考訳）: 大規模HPCシステムにおけるハードウェアエラー予測手法の評価
• Abstract要約: 本研究は,HPCハードウェアエラーダイナミクスに対する時系列予測の適用境界について検討する。 Thetaスーパーコンピュータから7年間の生産ログを使用して、古典的統計モデルとディープラーニングモデルの予測有効性を評価する。
• 参考スコア（独自算出の注目度）: 19.52592944365196
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hardware error logs in high-performance computing (HPC) systems provide early signals of abnormal behavior, yet there remain challenges in effectively forecasting these errors using modern predictive methods. This work investigates the boundaries of applying time series forecasting to HPC hardware error dynamics. We use seven years of production logs from the Theta supercomputer to evaluate the predictive efficacy of classical statistical and deep learning models. Our results show that forecasting effectiveness depends strongly on the temporal structure of the error series: regularly occurring and structurally stable errors can be modeled accurately, particularly by LSTM and Transformer architectures with temporal features, while sparse and burst-dominated errors remain difficult to predict. Rather than proposing a deployment-ready failure prediction framework, this study provides empirical guidance on when forecasting is effective and highlights potential directions for improving forecasting accuracy in HPC hardware error analysis.
• Abstract（参考訳）: 高性能コンピューティング(HPC)システムにおけるハードウェアエラーログは、異常な動作の早期信号を提供するが、現代の予測手法を用いてこれらのエラーを効果的に予測する上での課題は残る。 本研究は,HPCハードウェアエラーダイナミクスに対する時系列予測の適用境界について検討する。 Thetaスーパーコンピュータから7年間の生産ログを使用して、古典的統計モデルとディープラーニングモデルの予測有効性を評価する。 予測の有効性はエラー系列の時間的構造に強く依存しており,特に時間的特徴を持つLSTMやTransformerアーキテクチャでは,定常的に発生し,構造的に安定なエラーを正確にモデル化することができる一方で,スパースやバーストに支配されるエラーは予測が困難である。 本研究は,デプロイメント対応の故障予測フレームワークを提案するのではなく,いつ予測が有効かを示す実証的なガイダンスを提供し,HPCハードウェアエラー解析における予測精度向上のための潜在的方向性を明らかにする。

関連論文リスト

• A Hybrid LSTM--Vision Transformer Architecture for Predicting HRRR Forecast Errors [0.0]
  我々は、表面観測から時間的シーケンス学習とニューヨーク州立大学メソネット・プロファイラネットワークからの大気プロファイルを組み合わせたLSTM-Vision Transformer (LSTM-ViT) フレームワークを開発した。 本研究は,モデルバイアスと予測信頼度に関する予測指標を改良した。
  論文  参考訳（メタデータ） (2026-06-17T12:51:46Z)
• Reviving Error Correction in Modern Deep Time-Series Forecasting [16.500802488173917]
  我々は,4つのバックボーンと10個のデータセットの補正精度とロバスト性を大幅に向上させる,季節軌道分解によるユニバーサルエラーコレクタ(UEC-STD)を導入する。 本研究は, 時系列モデルにおける自己回帰誤差の軽減に関する新たな知見を提供しつつ, 予測を向上するための実用的なツールを提供する。
  論文  参考訳（メタデータ） (2026-05-20T12:22:18Z)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Towards Accurate and Interpretable Time-series Forecasting: A Polynomial Learning Approach [14.252057458281909]
  時系列予測は早期警告を可能にし、アセットパフォーマンス管理を従来の計画されたメンテナンスから予測的なメンテナンスへと駆り立てた。 予測方法における解釈可能性の欠如は、ユーザの信頼を損なうとともに、開発者の複雑さを損なう。 本稿では,モデル構造に解釈可能性を統合する,解釈型学習(IPL)手法を提案する。
  論文  参考訳（メタデータ） (2026-03-03T11:59:46Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Improving Time Series Forecasting via Instance-aware Post-hoc Revision [44.90322487625981]
  時系列予測は、様々な現実世界の応用において重要な役割を果たす。 近年の手法は、先進的帰納バイアスとトレーニング戦略を取り入れることで、顕著な精度を実現している。 本稿では,予測性能を向上させるためのモデルに依存しないフレームワークであるPIRを提案する。
  論文  参考訳（メタデータ） (2025-05-29T15:56:41Z)
• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• QBSD: Quartile-Based Seasonality Decomposition for Cost-Effective RAN KPI Forecasting [0.18416014644193066]
  我々は、精度と計算複雑性のトレードオフを最適化するために、QBSDというライブシングルステップ予測手法を紹介した。 QBSDは数千セル以上の実ネットワークRANデータセットで大きな成功を収めています。 その結果,提案手法は主要なアルゴリズムに比べて実行効率が優れていることがわかった。
  論文  参考訳（メタデータ） (2023-06-09T15:59:27Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)

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。