論文の概要: Argus: A Real-EKS Study of When Predicting Spot Interruptions Beats Simple Checkpointing
- arxiv url: http://arxiv.org/abs/2609.39067v1
- Date: Wed, 30 Sep 2026 06:05:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.267721
- Title: Argus: A Real-EKS Study of When Predicting Spot Interruptions Beats Simple Checkpointing
- Title（参考訳）: Argus:スポット断裂の予測が簡単なチェックポイントを上回ったときのEKSによる研究
- Abstract要約: Elastic Compute Cloud (EC2) SpotはOn-Demandよりも60%から90%安いが、2分間の通知で再利用できる。
我々は予測演算子であるArgusを構築し、CIFAR-10テストベッド上で実験的に質問する。
アクティブ・オン・ノーティフィケーションは、割り込みが固定された2分間の通知を上回ると保護されないよう低下する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Elastic Compute Cloud (EC2) Spot is 60% to 90% cheaper than On-Demand but can be reclaimed on just a 2-minute notice; for expensive multi-node training this loss can be severe, with one reclaim costing hours of synchronous progress. We build Argus, a Kubernetes operator, and ask empirically, on a CIFAR-10 testbed, when predicting interruptions beats simple checkpointing. Argus on real EKS survives a real Spot drain with a graceful SIGTERM checkpoint, resuming from epoch 8 and losing only the in-progress epoch. Alongside, we further find that in an 80-trial benchmark, the reactive-on-notice degrades toward no protection once interruption outpaces the fixed 2-minute notice, and predictive wasted compute is driven to zero, but with an oversized fixed lead it over-migrates so severely that at the fastest rate only one of five runs completes, while periodic is a strong ML-free baseline. A lead-time sweep turns the lead prediction into a guideline where a small lead suffices for zero waste, but excess lead is wasteful. The predictor built is advisory (a proxy label); real interruption labels and large-model-scale validation are future work.
- Abstract（参考訳）: Elastic Compute Cloud (EC2) SpotはOn-Demandよりも60%から90%安いが、2分間の通知で再利用できる。
KubernetesオペレータであるArgusをビルドし、CIFAR-10テストベッドで試験的に質問します。
本物のEKS上のArgusは、エレガントなSIGTERMチェックポイントで本物のスポットドレインを生き残り、エポック8から復活し、プログレスのエポックのみを失う。
さらに,80回のベンチマークでは,1回の割り込みが固定された2分間の通知を上回り,予測浪費計算がゼロになるが,過大な固定リードによって過度に移行し,最も速い速度で5回のうち1回が完走するのに対して,周期性は強力なMLフリーベースラインであることがわかった。
リードタイムスイープは、リード予測を、小さなリードが無駄を省くのに十分なガイドラインに変えるが、過剰なリードは無駄である。
予測器はアドバイザリ(プロキシラベル)で、実際の割り込みラベルと大規模なバリデーションは今後の作業である。
関連論文リスト
- Measuring Collapse and Correction in Homogeneous-Panel LLM Debate [51.03982042769297]
マルチエージェント大言語モデル(LLM)の議論は、最終回答が改善するかどうかによってしばしば評価されるが、運動は必ずしも改善されない。
標準的な最終精度評価は、これらの反対のメカニズムを詳述する。
複数選択質問(MCQ)に関する同質な議論のための監査可能なプロトコルを導入し、各実行を、崩壊、修正、オンセット、署名された介入ユーティリティよりも、遷移台帳として記録する。
論文 参考訳（メタデータ） (2026-09-28T14:31:19Z) - Before the Rollout Ends: Early Terminal Reward Prediction for Long-horizon Coding Agents [65.21544643456632]
長距離符号化エージェントは、高価なツールコールのシーケンスを完了した後のみ、検証可能な報酬を受け取る。
これは推論コストを増大させ、早期の誤った仮説を増幅し、スパース終末報酬と不安定なトレーニングにつながる可能性がある。
本稿では,行動証拠から終末報酬を予測するContextual Early Reward (CER)を紹介した。
論文 参考訳（メタデータ） (2026-09-25T20:53:04Z) - MeshHeal: Two-Timescale Self-Healing for Gray Failures in Decentralized LLM Agent Networks [60.95806999869478]
MeshHealは、完全に分散化された自己修復フレームワークである。
能力にマッチしたピアレビューを2つのタイムスケールに分けている。
1タスクあたり51kのトータルモデルトークンを使用して0.839の劣化位相精度を達成し、最強のベースラインでは1タスクあたり115kの0.807の精度を達成した。
論文 参考訳（メタデータ） (2026-09-24T04:29:37Z) - Rollout-Decoded Reconstruction for Long-Horizon Prediction in Latent World Models [0.9740025522928777]
潜在世界モデルは、観測に固定された潜水器でデコーダを訓練し、最後の観測から何百歩も経過したモデル自身のフリーランニングロールアウトに展開する。
ロールアウト・デコード・レコンストラクション(RDR)はこのギャップを、トレーニング中のモデルを正確に評価するようにフリーランする単一損失項で埋める。
論文 参考訳（メタデータ） (2026-08-25T18:05:24Z) - Your VLM Already Knows When: Training-Free Temporal Grounding by Asking Yes or No [2.531680975633497]
イベントを確実に認識するマルチモーダルLLMは、いつ発生したかはいまだに言えない。
この失敗はタスクインターフェースに存在し、知覚にはないことを示す。
論文 参考訳（メタデータ） (2026-08-08T19:57:47Z) - When Does Retrieval Help Time-Series Forecasting? [1.7499351967216341]
検索用プラグインは、そのルックバックウィンドウが持てない情報を、深い予測器に供給する。
ウィンドウ長が$S$と支配的な季節的期間が$L$の関係であることを示す。
我々は新しいプラグインを提案しない。コントリビューションは、レギュレーションマップ、それを明らかにするプロトコル、およびデプロイ前にそれをスクリーニングする2つの統計である。
論文 参考訳（メタデータ） (2026-07-29T14:27:39Z) - Doomed from the Start: Early Abort of LLM Agent Episodes via a Recall-Controlled Probe Cascade [14.63102636181275]
大規模言語モデル(LLM)エージェントは、既に失敗する運命にある複数ステップの軌道を継続することで、推論計算を無駄にすることが多い。
隠れ状態プローブを用いたLSMエージェントの早期故障予測と推定時早期停止について検討した。
LLMエージェント推論コストを削減するために,この信号をリコール制御された中止カスケードに変換する。
論文 参考訳（メタデータ） (2026-07-07T17:03:55Z) - Capacity-Constrained Online Convex Optimization with Delayed Feedback [58.59385794080679]
容量制約下での遅延オンライン凸最適化(OCO)について検討した。
1次フィードバックの場合、容量$C = (log T)$ sufficesで標準遅延OCOレートを対数係数まで回復できることがわかった。
包帯フィードバックの場合、後悔率は$(1 + _textmax/C)$で変調される。
論文 参考訳（メタデータ） (2026-06-10T06:37:06Z) - ROM: Real-time Overthinking Mitigation via Streaming Detection and Intervention [49.01160161589609]
再考は、大きな推論モデルが正しい答えに達した後、冗長な推論ステップを生成し続けるときに起こる。
本稿では,ストリーミング予測・制御問題として緩和を過度に検討する最初の方法であるROMを提案する。
ROMは最高精度(93.51%)、最短応答(1,159トークン)、最高応答効率を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:26:57Z) - TARG: Training-Free Adaptive Retrieval Gating for Efficient RAG [46.122203287541005]
トレーニングフリーのAdaptive Retrieval Gating (TARG) は、ベースモデルからの短い非遅延ドラフトのみを使用していつ取得するかを決定する、単発のポリシーである。
NQ-Open、TriviaQA、PopQAでは、TARGは一貫して精度と効率のフロンティアをシフトさせる。
論文 参考訳（メタデータ） (2025-11-12T23:09:52Z) - Prune Spatio-temporal Tokens by Semantic-aware Temporal Accumulation [89.88214896713846]
STAスコアは、時間的冗長性と意味的重要性の2つの重要な要因を考慮に入れている。
市販のビデオトランスフォーマーとビデオウィンにSTAモジュールを適用する。
結果: Kinetics-400 と something-Something V2 は 30% のオーバーシェルフ削減を実現し,0.2% の精度低下を実現した。
論文 参考訳（メタデータ） (2023-08-08T19:38:15Z)
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。