論文の概要: Leakage-Safe and Scheduler-Aware Machine Learning for Grid Job Runtime Prediction

• arxiv url: http://arxiv.org/abs/2609.13701v1
• Date: Sat, 12 Sep 2026 04:20:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.478159
• Title: Leakage-Safe and Scheduler-Aware Machine Learning for Grid Job Runtime Prediction
• Title（参考訳）: グリッドジョブ実行時予測のための漏洩安全・スケジューリング型機械学習
• Abstract要約: 本稿では、GWA-T-4 AuverGridのワークロードトレースにおけるCPUバースト時間予測を再検討し、リークセーフなジョブ実行時予測として再検討する。 我々は、ターゲットをジョブレベルのランタイムとして定義し、提出時属性のみを使用し、実行後変数を除外し、時間的およびコールドスタート設定下でモデルを評価する。
• 参考スコア（独自算出の注目度）: 0.42821598129654453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate job runtime prediction can improve scheduling-aware resource management in grid and distributed computing environments, but prediction models must be evaluated under realistic deployment constraints. This paper revisits CPU burst time prediction on the GWA-T-4 AuverGrid workload trace and reformulates it as leakage-safe pre-execution job runtime prediction. We define the target as job-level runtime, use only submission-time attributes, exclude post-execution variables, and evaluate models under temporal and cold-start settings rather than relying only on random cross-validation. We compare standard regressors, chronological historical baselines, categorical encoding strategies, and CatBoost with native categorical handling. We further add temporal hyperparameter tuning, runtime predictability analysis, feature ablation, error analysis by job length, and a minimal scheduling simulation. After temporal-validation tuning, CatBoost achieves the strongest deployment-oriented result with R^2=0.239, MAE=27,019, RMSE=46,587, and LogMAE=2.646 on the held-out temporal test set. A single-server simulation over all 69,523 held-out temporal test jobs shows that prediction-informed SJF reduces average waiting time by 50.92% relative to FCFS. The results show that random-split evaluation overestimates performance, categorical-native boosting improves temporal generalization, and long-job underestimation remains a scheduler-relevant challenge.
• Abstract（参考訳）: 正確なジョブ実行時の予測は、グリッドおよび分散コンピューティング環境におけるスケジューリングを意識したリソース管理を改善することができるが、予測モデルは現実的なデプロイメント制約の下で評価する必要がある。 本稿では、GWA-T-4 AuverGridのワークロードトレースにおけるCPUバースト時間予測を再検討し、リークセーフなジョブ実行時予測として再検討する。 我々は、ターゲットをジョブレベルのランタイムとして定義し、提出時属性のみを使用し、実行後変数を除外し、ランダムなクロスバリデーションのみに頼るのではなく、時間的およびコールドスタート設定下でモデルを評価する。 我々は,標準回帰器,年代的ヒストリカルベースライン,カテゴリエンコーディング戦略,およびCatBoostをネイティブカテゴリハンドリングと比較した。 さらに、時間的ハイパーパラメータチューニング、実行時予測可能性分析、特徴アブレーション、ジョブ長によるエラー解析、最小限のスケジューリングシミュレーションを追加します。 時間的バリデーションチューニングの後、CatBoostはR^2=0.239、MAE=27,019、RMSE=46,587、LogMAE=2.646で最強の展開指向結果を達成する。 69,523件の時間的ジョブに対するシングルサーバシミュレーションにより、予測インフォームドSJFはFCFSと比較して平均待ち時間を50.92%削減することを示した。 その結果、ランダムスプリット評価はパフォーマンスを過大評価し、カテゴリー-ネイティブのブーストにより時間的一般化が向上し、長時間の過小評価はスケジューラ関連課題であることがわかった。

関連論文リスト

• CastFlow: Learning Role-Specialized Agentic Workflows for Time Series Forecasting [74.29761960394848]
  大規模言語モデル(LLM)のための動的エージェント予測フレームワークであるCastFlowを提案する。 CastFlowは予測プロセスを計画、アクション、予測、リフレクションに編成し、エージェントワークフローを確立する。 第3に、CastFlowは、汎用推論と特殊な数値予測を組み合わせたロール特殊化設計を採用する。
  論文  参考訳（メタデータ） (2026-04-30T13:24:42Z)
• Prescriptive Scaling Reveals the Evolution of Language Model Capabilities [22.14002750185524]
  我々は、ログ事前学習FLOPの関数として、機能境界、ベンチマークスコアの高条件量子化を推定する。 我々は、初期のモデル世代に適合し、後のリリースを評価することで、時間的信頼性を検証する。 本稿では,評価予算の約20%を用いて,全データフロンティア付近を復元する効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-02-17T03:13:51Z)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• SARIMAX-Based Power Outage Prediction During Extreme Weather Events [9.853802100348892]
  本研究では,SARIMAXを用いた短期停電予測システムを開発した。 ミシガン州の郡から毎時のデータと、停止数と包括的な気象特性を使って、システマティックな2段階のフィーチャーエンジニアリングパイプラインを実装します。 選択した特徴は,SARIMAXモデルへの入力として,時間埋め込み,マルチスケールラグ特性,気象変数を付加したものである。
  論文  参考訳（メタデータ） (2025-11-02T17:13:58Z)
• Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
  時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。 本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
  論文  参考訳（メタデータ） (2025-08-18T04:06:26Z)
• Rethinking Remaining Useful Life Prediction with Scarce Time Series Data: Regression under Indirect Supervision [4.335413713700667]
  本稿では,パラメータ化静的回帰(パラメータ化静的回帰)と呼ばれる統合フレームワークを導入する。 提案手法は,非常に少ない時系列データを扱う場合の予測精度において,競合性能を示す。
  論文  参考訳（メタデータ） (2025-04-12T13:14:35Z)
• SMURF-THP: Score Matching-based UnceRtainty quantiFication for Transformer Hawkes Process [76.98721879039559]
  SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。 具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。 我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
  論文  参考訳（メタデータ） (2023-10-25T03:33:45Z)
• Balancing Computational Efficiency and Forecast Error in Machine Learning-based Time-Series Forecasting: Insights from Live Experiments on Meteorological Nowcasting [0.0]
  本稿では,気象情報を用いた計算コストと予測誤差の関係について述べる。 5日間のライブ実験では、4000のデータソースがトレーニングのためにストリームされ、1時間あたり144モデルが参照された。 その結果, 分散ホライゾンを用いることで計算使用量を50%以上削減し, 誤差は0～15%増加した。
  論文  参考訳（メタデータ） (2023-09-26T19:10:00Z)
• Efficient and Differentiable Conformal Prediction with General Function Classes [96.74055810115456]
  本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。 本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。 実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2022-02-22T18:37:23Z)
• Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
  持続時間予測に有効な2つのモデルを提案する。 1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。 我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
  論文  参考訳（メタデータ） (2020-11-05T01:52:11Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)

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。