論文の概要: MARA: Flow-Matching-Guided Multi-Agent Resource Allocation for Computational Resource Efficient Learning
- arxiv url: http://arxiv.org/abs/2608.09130v1
- Date: Mon, 10 Aug 2026 05:13:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.090453
- Title: MARA: Flow-Matching-Guided Multi-Agent Resource Allocation for Computational Resource Efficient Learning
- Title（参考訳）: MARA: 計算資源効率向上のためのフロー整合型マルチエージェントリソース割り当て
- Abstract要約: 本研究では、タスクが時間とともに到着し、離散ノードによって計算が提供される現実的な環境について検討する。
我々は,条件付きフローマッチングによる将来の損失軌跡を予測し,協調的マルチエージェント自己回帰ポリシーを用いて計算ノードを協調するMARAを提案する。
スケジューラの訓練負荷において、MARAは、平均63.46%のタスクを完了し、8.54ポイントは、適応資源割当(LARA)による強力なベースライン学習(Learning with Adaptive Resource Allocation)よりも高い。
- 参考スコア（独自算出の注目度）: 29.198856168513743
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Allocating limited computation among concurrent learning tasks is difficult when each task must reach a target loss before a deadline but its required training effort is unknown. Existing approaches combine online loss prediction with adaptive resource allocation, yet commonly treat computation as continuously divisible throughput. We instead study a practical setting in which tasks arrive over time and computation is provided by discrete nodes. This setting introduces both uncertain demand and constrained sequential decisions. We propose MARA, which predicts future loss trajectories with conditional flow matching and coordinates compute nodes through a cooperative multi-agent autoregressive policy. A potential-based progress reward supplies intermediate training feedback while preserving the undiscounted task-completion objective. Across in-distribution, reinforcement-learning, and vision workloads, flow matching reduces remaining-resource prediction error relative to weighted least squares. At the scheduler's training load, MARA completes 63.46% of tasks on average, 8.54 percentage points above strong baseline Learning with Adaptive Resource Allocation (LARA), and remains ahead under unseen heavier workloads.
- Abstract（参考訳）: 各タスクが期限前に目標損失に達する必要がある場合、同時学習タスク間で限られた計算を割り当てることは困難であるが、必要な訓練努力は未知である。
既存のアプローチは、オンライン損失予測と適応的なリソース割り当てを組み合わせるが、一般に計算を連続的に分割可能なスループットとして扱う。
代わりに、タスクが時間とともに到着し、離散ノードによって計算が提供される実践的な環境について研究する。
この設定は、不確実な要求と制約付きシーケンシャルな決定の両方を導入します。
我々は,条件付きフローマッチングによる将来の損失軌跡を予測し,協調的マルチエージェント自己回帰ポリシーを用いて計算ノードを協調するMARAを提案する。
潜在ベース進捗報酬は、未報告のタスク補完目標を維持しながら中間訓練フィードバックを提供する。
分散、強化学習、ビジョンワークロード全体にわたって、フローマッチングは、重み付けされた最小二乗に対する残リソース予測誤差を低減する。
スケジューラのトレーニング負荷において、MARAは平均63.46%のタスクを完了し、強力なベースラインであるLearning with Adaptive Resource Allocation (LARA)よりも8.54ポイント高い。
関連論文リスト
- Beyond Solvability: Task Learnability as a Static Prior for LLM RL Post-Training [52.78248352851176]
強化学習(Reinforcement Learning, RL)は、大規模言語モデルにおける推論能力を引き出すための訓練後のパラダイムである。
本研究では,この残差軸をタスク学習可能性として検討する。
そこで我々はTrajValを提案する。TrajValは、短いプローブランと2つのエンドポイント評価からタスク毎の学習可能性を近似する軽量なプローブベース推定器である。
論文 参考訳（メタデータ） (2026-08-10T07:43:05Z) - Edge-AI-Driven Learning-to-Rank for Decentralized Task Allocation in Circular Smart Manufacturing [54.4933359656657]
本研究は,ランクアウェア交渉に基づくエッジAI駆動型分散タスク割り当てフレームワークを提案する。
ランキング対応の定式化は、最終的に学習目標を再認識し、勝者選択の順序付けに基づく性質に適合する。
その結果, 高負荷下での遅延および期限順守が向上し, より厳密な制約下でのエネルギー効率が向上した。
論文 参考訳（メタデータ） (2026-05-14T20:38:25Z) - Unveiling Downstream Performance Scaling of LLMs: A Clustering-Based Perspective [7.408649506385476]
大規模言語モデル(LLM)トレーニングのエスカレートスケールとコストは、下流タスク性能の正確な事前トレーニング予測を必要とする。
現在の予測手法には精度と信頼性が欠けている。
本稿では,下流性能予測のためのクラスタリングオンディフルティ(COD)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-02-24T15:44:57Z) - To Train or Not to Train: Balancing Efficiency and Training Cost in Deep Reinforcement Learning for Mobile Edge Computing [15.079887992932692]
資源を割り当てるDeep Reinforcement Learning (DRL)エージェントをいつトレーニングするかを動的に選択するアルゴリズムを提案する。
トレーニングのオーバーヘッドを伴うシナリオに対して直接適用することができるので,本手法は極めて一般的である。
論文 参考訳（メタデータ） (2024-11-11T16:02:12Z) - Learning to Schedule Online Tasks with Bandit Feedback [7.671139712158846]
オンラインタスクスケジューリングは、クラウドコンピューティングやクラウドソーシングにおけるタスク集約型アプリケーションにおいて重要な役割を果たす。
本稿では,二重最適化学習に基づくRobins-Monro(DOL-RM)アルゴリズムを提案する。
DOL-RMは、報酬対コスト比の楽観的な推定と決定モジュールを組み込んだ学習モジュールを統合する。
論文 参考訳（メタデータ） (2024-02-26T10:11:28Z) - Network Contention-Aware Cluster Scheduling with Reinforcement Learning [0.10878040851637999]
強化学習を用いたGPUクラスタにおけるネットワーク競合に対する新しいアプローチを提案する。
提案手法は,平均作業完了時間を最大18.2%削減し,テール作業完了時間を最大20.7%削減する。
論文 参考訳（メタデータ） (2023-10-31T06:17:23Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳（メタデータ） (2023-09-02T11:01:16Z) - Continual Learning with Distributed Optimization: Does CoCoA Forget? [0.0]
タスクが順次到着する継続的学習問題に着目する。
目指すのは、新しく到着したタスクに対して、以前見たタスクのパフォーマンスを低下させることなく、うまく機能することである。
分散学習アルゴリズムCOCOAについて検討する。
論文 参考訳（メタデータ） (2022-11-30T13:49:43Z) - Joint Client Scheduling and Resource Allocation under Channel
Uncertainty in Federated Learning [47.97586668316476]
無線ネットワーク上のフェデレートラーニング(FL)は、クライアントサーバの接続性とクライアントのローカル計算能力の信頼性に依存する。
本稿では、FLを用いたモデルトレーニングの性能を高めるため、クライアントスケジューリングとリソースブロック(RB)割り当ての問題について検討する。
提案手法は,最先端クライアントスケジューリングやRBアロケーション手法と比較して,トレーニング精度損失のギャップを最大40.7%削減する。
論文 参考訳（メタデータ） (2021-06-12T15:18:48Z) - Coordinated Online Learning for Multi-Agent Systems with Coupled
Constraints and Perturbed Utility Observations [91.02019381927236]
本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。
提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
論文 参考訳（メタデータ） (2020-10-21T10:11:17Z) - Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。
提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。
シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
論文 参考訳（メタデータ） (2020-10-06T16:51:09Z)
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。