論文の概要: Closing the Loop: Continuous Measurement-Driven Refinement of Offloading Predictions

• arxiv url: http://arxiv.org/abs/2609.30429v1
• Date: Thu, 24 Sep 2026 18:22:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.100552
• Title: Closing the Loop: Continuous Measurement-Driven Refinement of Offloading Predictions
• Title（参考訳）: ループを閉じる: 連続測定駆動による負荷予測のリファインメント
• Abstract要約: 本稿では,絶対値予測器を連続的に再検討する計測駆動閉ループを提案する。 このシステムは、実際の実行測定値を予測値と整合させ、軽量なマルチヘッドニューラルネットワークのオンライン更新を実行する。 実験の結果,連続測定による改善により予測のドリフトが低減され,RTTの精度が向上し,処理時間と利用時間が短縮され,不均一な遅延状態における予測挙動が安定化されることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Modern vehicles increasingly offload computation- ally intensive perception and decision functions to backend servers, requiring accurate predictions of absolute performance metrics such as Round-Trip Time (RTT), processing time, and utilization. In practice, strong temporal variability, heterogeneous backend hardware, and multimodal latency regimes cause offline- trained predictors to drift, creating a reliability gap for latency- sensitive functions. We address this gap with an operational, measurement-driven closed loop that continuously recalibrates absolute-value predictors during runtime. The system aligns real execution measurements with predicted values and performs incremental online updates of a lightweight multi-head neural network while preserving model stability. The model implicitly learns the broad, non-Gaussian spread of input metrics, and a sigma-based error analysis in our evaluation characterizes resid- ual variability under dynamic conditions. Experiments across two Kubernetes clusters show that continuous measurement- driven refinement reduces prediction drift, improves accuracy for RTT, processing time, and utilization, and stabilizes prediction behavior across heterogeneous latency regimes. However, the broad and multimodal distribution of input metrics imposes fundamental limits on absolute-value prediction, with residual errors frequently exceeding configured thresholds. Overall, online calibration proves feasible and necessary for robust computation offloading in dynamic vehicular edge environments, while high- lighting the need for future mechanisms that address extreme latency regimes and high-variance operating conditions.
• Abstract（参考訳）: 現代の車両は計算の負荷を減らし、集約的な認識と決定関数をバックエンドサーバに提供し、ラウンド・トリップ・タイム(RTT)や処理時間、利用率といった絶対的なパフォーマンス指標を正確に予測する必要がある。 実際には、強い時間的変動、ヘテロジニアスなバックエンドハードウェア、マルチモーダルな遅延状態は、オフラインでトレーニングされた予測器をドリフトさせ、レイテンシに敏感な関数の信頼性のギャップを生じさせる。 我々は,このギャップを,実行中に絶対値予測器を継続的に再検討する操作型クローズドループで解決する。 このシステムは、実際の実行測定値を予測値と整合させ、モデルの安定性を維持しながら、軽量なマルチヘッドニューラルネットワークのオンライン更新をインクリメンタルに行う。 本モデルでは,入力メトリクスの広範かつ非ガウス的拡散を暗黙的に学習し,評価におけるシグマに基づく誤差解析により,動的条件下での残差変化を特徴付ける。 2つのKubernetesクラスタにわたる実験では、連続測定による改善によって予測のドリフトが低減され、RTTの精度が向上し、処理時間と利用性が向上し、不均一なレイテンシーレジーム間の予測動作が安定化されていることが示されている。 しかし、入力メトリクスの広範かつマルチモーダルな分布は絶対値予測に基本的な限界を課し、残差は設定された閾値を超えることが多い。 全体として、オンラインキャリブレーションは、動的車両のエッジ環境における堅牢な計算オフロードの実現可能性と必要性を証明している。

関連論文リスト

• Online Irregular Multivariate Time Series Forecasting via Uncertainty-Driven Dual-Expert Calibration [31.363361402231835]
  オンラインIMTS予測の問題について検討し、不確実性駆動型デュアルエキスパートキャリブレーションフレームワークであるUnder-Caliを提案する。 我々は、推論と適応プロセスを共同で管理するコア制御信号として機能する不確実性推定器を設計する。 Under-Caliはソース予測モデルを凍結させ、軽量でモデルに依存しないキャリブレーションモジュールを通してのみ適応を行う。
  論文  参考訳（メタデータ） (2026-05-27T15:19:41Z)
• Sequential Regression for Continuous Value Prediction using Residual Quantization [8.96389388600604]
  継続的価値予測は産業規模のレコメンデーションシステムにおいて重要な役割を果たす。 既存の生成的アプローチは厳密なパラメトリック分布の仮定に依存している。 順序付き量子化符号の和として対象とする連続値を表す残差量子化(RQ)に基づくシーケンス学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-26T13:52:54Z)
• Learning from Yesterday's Error: An Efficient Online Learning Method for Traffic Demand Prediction [6.104967994062357]
  FORESEE(Forecasting Online with Residual Smoothing and Ensemble Experts)は、正確で堅牢で効率的なオンライン適応フレームワークである。 これは、昨日の予測エラーを使用して、各地域の今日の予測を補正する。 バックボーンモデルを用いた7つの実世界のデータセットの実験では、ForESEEは予測精度を一貫して改善し、分散シフトが最小でもロバスト性を維持する。
  論文  参考訳（メタデータ） (2026-02-25T10:19:39Z)
• Online Kernel Dynamic Mode Decomposition for Streaming Time Series Forecasting with Adaptive Windowing [3.6194446038160315]
  WORK-DMD(Windowed Online Random Kernel Dynamic Mode Decomposition)を導入する。 WORK-DMDはローリングウィンドウ内でシャーマン・モリソンの更新を採用しており、現在のデータのみから進化するダイナミックスへの継続的な適応を可能にしている。 いくつかの領域にわたるベンチマークデータセットの実験は、WORK-DMDがいくつかの最先端のオンライン予測手法よりも高い精度を達成することを示している。
  論文  参考訳（メタデータ） (2025-10-17T07:57:37Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• 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)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。