論文の概要: When Does Learning Beat Heuristics? A Case Study in Kubernetes Scheduler Score Plugins

• arxiv url: http://arxiv.org/abs/2609.22142v1
• Date: Tue, 25 Aug 2026 21:02:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.730919
• Title: When Does Learning Beat Heuristics? A Case Study in Kubernetes Scheduler Score Plugins
• Title（参考訳）: 学習がヒューリスティックスを上回るのはいつか? Kubernetesスケジューラスコアプラグインのケーススタディ
• Abstract要約: 我々は,スケジューラシミュレータ用の外部HTTPベースのスコアリングプラグインを実装した。 大規模クラスタトレースに基づいて学習した2つのモデルを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Kubernetes scheduler plugins that score candidate nodes are, in production, hand-tuned heuristics. We ask whether a learned scoring function - trained on real placement decisions from a production cluster trace - can match or exceed these heuristics, and if not, why. We implement an external, HTTP-backed scoring plugin for a widely used scheduler simulator and evaluate two learned models (a Random Forest over engineered features, and a graph neural network encoder over per-job task-dependency graphs) trained on a large-scale production cluster trace. Under standard regression fit (R^2), both models improve modestly but monotonically across four feature-engineering iterations, reaching R^2 of about 0.042. However, on the metric that actually matters for scheduling - Top-1 ranking accuracy, whether the model scores the machine the production scheduler actually chose highest - both learned models are outperformed by a trivial single-feature heuristic (rank by free CPU: 74-84% vs. 65-66% for either model). We show this gap is best explained by objective mismatch: both models were trained with pointwise regression (MSE) rather than a ranking-specific objective, echoing a long-standing distinction in the learning-to-rank literature. This parallels prior evidence that RL-trained schedulers can outperform heuristics when the training objective is aligned with the deployment task, suggesting objective misalignment, not architecture, is the primary obstacle here. We further report an ablation of the occupancy reconstruction required to make offline trace data usable (naive features yield R^2 near 0), a controlled comparison isolating feature richness and data volume between the two model families, and a sensitivity analysis of inference latency and serving-container memory constraints. Code, data pipelines, and experiment scripts are released for reproducibility.
• Abstract（参考訳）: 候補ノードをスコアするKubernetesスケジューラプラグインは、実運用環境では、手作業によるヒューリスティックである。 学習したスコアリング関数 – 運用クラスタトレースから実際の配置決定に基づいてトレーニングされた – が,これらのヒューリスティックにマッチするかどうか,そうでなければ理由を問う。 我々は、広く使用されているスケジューラシミュレータ用の外部HTTPベースのスコアリングプラグインを実装し、大規模クラスタトレースに基づいてトレーニングされた2つの学習モデル(エンジニアリング上のランダムフォレスト、タスク毎のタスク依存性グラフ上のグラフニューラルネットワークエンコーダ)を評価した。 標準回帰フィッティング (R^2) では、両モデルとも4つの特徴工学的反復で適度に改善するが単調に改善し、約0.042のR^2に達する。 しかし、実際にスケジューリングに重要なメトリック - トップ1ランキングの正確性 - モデルがマシンをスコアするかどうか、生産スケジューラが実際に選択した最も高いスコア - において、両方の学習モデルは、自明な単一機能ヒューリスティック(どちらのモデルでも74～84%、65～66%)によってパフォーマンスが向上する。 どちらのモデルも、ランク固有の目的ではなく、ポイントワイド・レグレッション(MSE)で訓練された。 このことは、RLで訓練されたスケジューラが、トレーニング目標がデプロイメントタスクと整合しているときにヒューリスティックスよりも優れており、アーキテクチャではなく、客観的なミスアライメントが主な障害であることを示唆している。 さらに,オフライントレースデータを利用可能にするために要する占有率再構成(特徴量R^2を0付近に生成する)のアブレーション,2つのモデルファミリ間の特徴量とデータボリュームの制御比較,推論遅延とサービス-コンテナメモリ制約の感度解析について報告する。 コード、データパイプライン、実験スクリプトは再現性のためにリリースされている。

関連論文リスト

• Pioneer Agent: Continual Improvement of Small Language Models in Production [6.452260317191361]
  小さな言語モデルは、低コスト、高速な推論、特殊化の容易さのために、製品展開にとって魅力的なものだ。 特定のタスクに小さな言語モデルを適用するプロセスを自動化するクローズドループシステムであるPioneer Agentを提案する。
  論文  参考訳（メタデータ） (2026-04-10T18:13:09Z)
• A Rubric-Supervised Critic from Sparse Real-World Outcomes [87.11204512676193]
  現実のコーディングエージェントは、成功信号がノイズが多く、遅延し、スパースであるループで人間と動作します。 本稿では,RLに基づくトレーニングや推論時間スケーリングの報奨モデルとして,スパースとノイズの相互作用データから"批判的"モデルを学習するプロセスを提案する。
  論文  参考訳（メタデータ） (2026-03-04T07:23:54Z)
• Intention-Conditioned Flow Occupancy Models [80.42634994902858]
  大規模な事前学習は、今日の機械学習研究のやり方を根本的に変えた。 同じフレームワークを強化学習に適用することは、RLの中核的な課題に対処するための魅力的な方法を提供するので、魅力的です。 生成AIの最近の進歩は、高度に複雑な分布をモデリングするための新しいツールを提供している。
  論文  参考訳（メタデータ） (2025-06-10T15:27:46Z)
• What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
  モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。 モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
  論文  参考訳（メタデータ） (2024-11-12T09:52:40Z)
• GraphFM: A Comprehensive Benchmark for Graph Foundation Model [33.157367455390144]
  ファンデーション・モデル(FM)は、人工知能システムの開発のための一般的なクラスである。 FMの基礎として自己教師型学習の研究が盛んに行われたが、いくつかの顕著な問題が続いている。 下流タスクにおける一般化能力の程度は未だ不明である。 これらのモデルが大規模なデータセットにどの程度効果的にスケールできるかは不明だ。
  論文  参考訳（メタデータ） (2024-06-12T15:10:44Z)
• Uncovering the Hidden Cost of Model Compression [43.62624133952414]
  視覚プロンプティングは、コンピュータビジョンにおける伝達学習の重要な方法として登場した。 モデル圧縮は視覚的プロンプトベース転送の性能に有害である。 しかし、量子化によってモデルが圧縮されるとき、キャリブレーションに対する負の効果は存在しない。
  論文  参考訳（メタデータ） (2023-08-29T01:47:49Z)
• Task-Aware Machine Unlearning and Its Application in Load Forecasting [4.00606516946677]
  本稿では、すでに訓練済みの予測器に対するデータセットの一部の影響を除去するために特別に設計された機械学習の概念を紹介する。 局所モデルパラメータ変化の感度を影響関数とサンプル再重み付けを用いて評価することにより,性能認識アルゴリズムを提案する。 リアルな負荷データセットを用いて,線形,CNN,Mixerベースの負荷予測器上で,未学習アルゴリズムを検証した。
  論文  参考訳（メタデータ） (2023-08-28T08:50:12Z)

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。